L'inférence causale est un sous-domaine de la prédiction, où vous essayez de prédire ce qui se passe lorsqu'un traitement est appliqué. Donc, toute l'économétrie est en réalité juste un sous-domaine étroit de l'apprentissage machine prédictif.

@DamienTeney @austinc3301 c'est probablement un économiste qui a écrit ça. putain d'économistes

@austinc3301 Vous venez de prouver que le "modélisation causale" est en quelque sorte un "hack" pour résoudre le problème que nous avons parfois avec de mauvaises données. Mais quand nous avons de bonnes données - quand nous voyons tous les U - la modélisation prédictive est tout ce dont nous avons besoin

@austinc3301 Nous obtiendrons toujours plus de données, ce qui signifie qu'éventuellement, la prédiction dépassera probablement le "hack" temporaire qu'est la modélisation causale. C'était un hack utile et élégant, mais temporaire.

@austinc3301 Soit ils sont distinguables - auquel cas un modèle prédictif les distinguera - soit ils ne le sont pas - auquel cas il ne le fera pas. très simple

ou quelque chose qui est en un sens équivalent à une intervention (comme ce que ces économistes appellent "instruments"). Vous pourriez appeler cela "inférence causale", je pourrais appeler cela "prédiction", mais cela satisfait ma déclaration selon laquelle votre "inférence causale" n'est en réalité qu'un type spécial d'exercice de prédiction.

@austinc3301 Tu as même admis que c'est correct : "l'inférence causale concerne l'extension de la prédiction statistique"

@austinc3301 Quoi qu'il en soit, en laissant de côté le trolling, "l'inférence causale" n'est rien d'autre qu'une prédiction extrapolative. Le point substantiel d'Arpit est qu'il existe maintenant des modèles en boîte noire qui sont également assez bons pour la prédiction hors échantillon d'une manière ou d'une autre, grâce à une approche très différente de l'inférence causale.

@SeanGailmard En gros, votre critique ne s'applique qu'aux mauvais modèles prédictifs

@SeanGailmard Le DGP n'a d'importance que dans la mesure où il influence des contrefactuels concevables et observables.

@SeanGailmard Voir, par exemple

@SeanGailmard rien à voir avec "le DGP" ; tout à voir avec de meilleures prédictions dans des contextes où il y a des problèmes comme la sélection, le confusionnement, etc.

@SeanGailmard Bien sûr, je joue en partie à un jeu pédant et ridicule, mais je pense qu'il y a une certaine substance là-dedans

@SeanGailmard Ma déclaration originale était simple : l'inférence causale consiste simplement à prédire ce qui se passe lorsqu'un traitement est appliqué. Je ne vois pas pourquoi cela implique en aucun sens un modèle prédictif universel ou tout-puissant.

@SeanGailmard Il suffit qu'il soit suffisamment bon pour... prédire ce qui se passe lorsqu'un traitement est appliqué

@SeanGailmard La façon de faire cela est de trouver un instrument ou quelque chose. Ce à quoi je m'oppose (à moitié en plaisantant), c'est de penser que c'est substantiellement différent de "prédiction" d'une certaine manière.