下星期一開始，正是經濟學家一年一度的盛會 AEA。為期四天的活動中，共計會有 13000 名經濟學家到此聚首。在此，除了可以會見各路大咖外，對於博士班準畢業學生來說，這四天，還是找工作的大日子。

為了方便職缺的媒合，AEA 一直以來都有提供一個平台讓學術機構／公司張貼職缺。金融業和顧問業聘請經濟學家是家常便飯，但近年來卻也能看到諸如 Airbnb、Amazon、Ebay、Facebook、Netflix、Microsoft、Uber 等科技公司在上面張貼徵才廣告的身影。到底，這些科技公司要經濟學家做什麼？

稍微研究一下這些徵才訊息，不難發現他們有一個共同的關鍵字：Data。的確，最近這波經濟學家進入在科技業對的風潮，也是借力了這波大數據的興起。然而，做數學比不過統計學家，寫程式贏不過電腦科學家，那為何又要特別招聘經濟學家呢？尤其，Microsoft 還在徵才廣告上特別註明了“應徵者必須有熱忱學習大數據分析”——明明市場不缺即戰力，為何又要特地找經濟學家來訓練呢？且讓我們繼續看下去。

計量經濟學 vs 機器學習 vs 統計學

為了理解在資料分析這件事，經濟學家到底有何魅力，我們得先講起計量經濟學、機器學習與統計學的差異。

計量經濟學，是一門以資料驗證經濟理論和探究現象的學門。在應用上，經常經濟學家手上有個不知是否為真的假說，希望能透過資料驗證。如：最低工資是否會提高失業率、 小班教學是否有益於提升成績等等。

而機器學習，則是近年來因為可取得的資料暴增，而相應蓬勃發展的一個領域，主要用於預測。典型的應用包括推薦系統（ 如 Youtube 從瀏覽紀錄猜測使用者喜好 ）、過濾垃圾信件等等。

換句話說，計量經濟學主要處理的是推論問題（ 一個敘述是否為真 ），機器學習處理的則是預測問題。前者是要篩出變數之間因果關係，而後則是要窮盡變數之間的關聯性來進行預測。至於計量經濟學比起統計學，除了前者會納入經濟學模型外，也更在乎因果關係。¹

計量經濟學的用途

以下讓我們舉幾個簡單的例子，來解釋什麼是機器學習不能，但計量經濟學可以做到的。

猜使用者會喜歡什麼影片，是機器學習擅長的預測問題；但推薦影片本身到底能增加多少觀看次數，則是計量經濟學在意的因果問題。

在 Uber 的商業模式中，我們可以把司機想成是供給方，而消費者則是需求方。在演唱會結束等這類需求暴增的時候，到底該收多少錢才能使得供需平衡呢？這類涉及經濟學模型的統計問題，自然是計量經濟學的主場。

有時做實驗可能成本很高，那公司在不能隨意做實驗的情況下，要怎麼得知新的政策會帶來什麼衝擊呢？這類反事實問題，在總體經濟學中經常以基於模型的數值模擬方法來分析，像是“如果開放自由貿易，GDP 會增加幾個百分點？”

此外，經濟學家在一個缺乏資料的環境中待久了，還培養出一個敏銳的嗅覺，能找出現有資料中，找出一個估計因果關係的手法。有興趣的讀者，可以參閱白經濟之前的文章《自然實驗：無法重製的人生/歷史》

講了這麼多計量經濟學的長處，但實務應用上，機器學習仍是無可取代。而擁有相關數學背景的經濟學家，即便未曾接觸過機器學習還是能快速上手，如邏輯迴歸就是離散選擇模型。機器學習經常使用的線性代數和機率，也是計量經濟學的必備數學工具。

有趣的是，經濟學家在科技公司不只是要分析資料，還要帶頭做實驗，這多半和最近經濟學家最近更常做實驗有關。有興趣的讀者，可以參閱白經濟的一篇書評《窮人經濟學—以科學精神檢驗失敗的扶貧政策》。

那，經濟學家為何要進入科技業？

這三篇系列文講了這麼多科技公司為何要聘請經濟學家，那經濟學家為什麼又想進入科技業呢？

不可否認地，科技業的待遇相當誘人，並不比走學界當教授差。但近年來經濟學家與科技業的合作，當然不只是為錢，還是為了這些公司手上掌握的資料。這些資料，是許多經學家夢寐以求的寶庫。

比如說， Ebay 是探討拍賣理論最自然的環境，而 Facebook 則是擁有龐大的社群網絡資料。又如 Uber 的叫車資料，最近則是被用來估計消費者剩餘。而 Uber 的加成計費系統更是價格調節市場供需的最佳範例。

不只是提供資料，有些公司還相當鼓勵自己的研究人員投稿學術期刊，讓職涯不至於和學界脫軌，甚至還主動提供一個~~（大）~~平台，讓經濟學家能和公司裡的電腦科學家合作，從事前沿的學術研究。如 Microsoft Research Lab 在本月才啟動了一個名為 Alice 的新專案，目標是改良現有的機器學習方法，使其得以應用在測量因果關係。

結語

筆者身為一個經濟學宅宅，看到經濟學在新的領域有所發揮，是相當興奮的事情，~~代表又有新的工作機會了（喂）。~~筆者身為一個有志於學術的經濟學學徒，看到跨領域的合作，是非常興奮的。尤其最近火紅的機器學習熱潮，也逐近燒到經濟學的圈子。下次，我們來談談機器學習，在經濟學上有什麼應用。