大数据与大数据经济学

《大数据与大数据经济学》由会员上传分享，免费在线阅读，更多相关内容在工程资料-天天文库。

1、大数据与大数据经济学2012年，Tbill(2012)6采用IBM公司的观点,认为大数据具有“3V”特点，即规模性(Volume)、多样性(Variety)、实时性(Velocity)。以IDC为代表的业界认为大数据具备“4V”特点，即在3V的基础上增加价值性(Value)。NetApp公司7认为大数据应包括A、B、C三大要素，即分析(Analytic)、带宽(Band日本公司，通过检索关键词“新订单”“雇员“生产”等来预测采购经理人指数，仅用6小时就得出结果，并且和专业的采购人指数分析师们计算的结果基本一致。大数据并没有

2、改变因果关系，但使因果关系变得意义不大，很多时候因果关系成为‘‘正确的废话”。(四)传统的因果关系有时无法验证弄清事物之间的内在联系和作用机制，一直是传统经济学研究的核心。但有时因果关系是没有办法验证的。比如新产品上市，人们往往倾向于购买新产品，这样对旧产品的需求会下降，那么旧产品价格应该立即回落，这是其一。从另外—个角度，如果大家都认识到这一点，就会贪便宜购买旧产品，短期内会造成旧产品供不应求，反而导致旧产品涨价。究竟是涨是跌，要看这两种因素谁弱谁强，采用传统经济学研究方法是难以验证这两种效应的，只能验证两种效应作用的综

3、合结果。实际情况是，在大数据时代，西雅图Decide.g公司分析了近400万商品的超过250亿条价格信息，发现新产品上市时，短期内旧产品价格是上涨的，过一段时间才逐步回落。采用大数据，既可以知道多少人购买旧产品，也能知道多少人购买新产品，以及旧产品价格变化的规律。在这种情况下，我们知道所有的因果关系，却难以检验，并且没有意义，知道结果更重要。(五)传统经济学研究具有滞后性传统经济学对于新生事物是不敏感的，必须等事情发生并且成长到_定规模以后才能搜集到足够数据进行相关研究。在大数据时代，可以通过海量数据对经济行为进行分析，一

4、旦有新情况、新动态立即予以关注，从而实现对新生事物的早期干预和分析，因此具有前瞻性。大数据本身就具有智能，可以辅助经济学发现知识。(六)大数据对基于统计检验的计量经济学冲击很大建立在回归和统计检验基础上的计量经济学以其严谨的逻辑成为经济学研究的重要方法论，迄今为止，诺贝尔经济学奖获得者有近半数是计量经济学家，但大数据动摇了这_根基，比如采用普通回归研究自变量X于因变量Y的关系，对于X回归系数采用t检验，_般认为相伴概率小于0.05(特殊情况可以放大到0.1)就说明两变量相关。其实在这种情况下，犯两变量不相关错误的可能性是5

5、%，以NIC发布的《第31次中国互联X络发展状况统计报告》M为例，2012年底我国X民数量达5.64亿人，假设我们研究X民平均受教育年限(X)与上X时长(Y)的关系，5%就是2820万人，此时我们还能漠视这5%的错误吗?同样，如果t检验的相伴概率为0.95,那么很明显说明平均受教育年限与上X时长不相关，但同样会犯错误，即有5%的可能性平均受教育年限(X)与上X时长(Y)是相关的，会涉及2820万X民，这同样是不能忽视的。(七)大数据对经济学建模提出挑战传统的经济学研究，往往采用1个或少数几个数学模型来进行研究，但任何模型都

6、各有长处，也各有其局限，没有包治百病万能的数学模型。比如动态面板容易使投入变量的弹性系数估计变小，空间面板容易出现空间矩阵设置方法不当导致结果偏误，面板变系数模型难以和空间面板结合使用，面板联立方程模型对方程形式的要求极高，面板向量自回归模型难以和空间面板融合等等。在研究同一问题时，可用模型其实较多，有没有最佳模型昵?这恐怕是个无解的问题。实际情况是，迄今为止传统经济学研究得出的结论，至多只能说明采用甲模型的结论，并不具有普适性，换个乙模型结论可能立即就变了，其实研究结论是脆弱的。此外，在研究同一个问题时，即使采用同一模型

7、，由于模型的变量选择、估计的方法、参数设置、滞后期选择等不同，也会导致估计结果相差很大。在大数据时代，借助云计算和分布式处理等现代信息技术，往往可以采用成百上千的模型来进行研究。Google公司在预测2009年美国甲型H1N1流感爆发时间时，把5000万条美国人常用的检索词条和美国疾控中心2003-2008年期间季节性流感传播数据进行比较，希望通过搜索记录判断这些人是否得了流感，先后共采用了4.5亿个不同的数学模型，预测结果和官方数据的一致率高达97%,但比官方节省了两周时间，从而为政府采取相关措施赢得了宝贵的时间。在传统

8、经济学研究中，由于研究对象错综复杂，直接影响与间接影响因素众多，变量的完备性被认为是不可能的事情，往往只能选取少数变量来进行研究，达到一个相对满意的结果。在大数据时代，我们可以获取越来越多的变量，从而使遗失变量的可能性降到最低，这样在研究中由原来的数个变量可能会变成数十个甚至成百上千的变量，在这样的情况