Jag får ofta frågan: Var gör djupinlärning en verklig skillnad i vår beräkningsförmåga inom ekonomi? Mitt svar? Att lösa integrerade bedömningsmodeller (IAM) av klimatförändringar. I den här klassen av modeller vill vi förstå återkopplingsloopen mellan makro och klimat. Detta är ett extremt komplicerat beräkningsproblem eftersom: 1️⃣ Den är inte stationär. 2️⃣ Den är mycket icke-linjär. 3️⃣ Det är mycket dimensionellt. På grund av dessa tre orsaker har många IAM förenklat problemet för mycket eller ignorerat viktiga ekonomiska mekanismer. I en nyligen publicerad artikel för några dagar sedan, Climate Change Through the Lens of Macroeconomic Modeling, visar Kenneth Gillingham, @comp_simon, och jag hur man kan tillämpa djupinlärning för att lösa mycket mer sofistikerade IAM:er. Du kan läsa tidningen här: Mer specifikt visar vi hur djupinlärning förbättrar noggrannheten i våra lösningar och relevansen av policyresultat: 1️⃣ Djupinlärning kan hantera icke-stationära enheter. 2️⃣ Djupinlärning kan hantera icke-linjäriteter. 3️⃣ Djupinlärning kan hantera högdimensionella problem. Här finns det helt klart en öppen möjlighet till mycket uppföljningsarbete. Detta är dock ett område som ekonomyrket inte är väl lämpat för. För att uppfylla sitt löfte kräver denna typ av forskning team på minst ett halvt dussin forskare (från experter på datahantering till klimatforskare till kodare till makroekonomer), och vi har inte den institutionella strukturen för ett sådant samarbete. De flesta artiklar i nationalekonomi är samförfattade av ad hoc-team av forskare, och anslag erbjuder vanligtvis bara några års stöd, vilket inte tillåter kontinuitet i teamen och investering i de nödvändiga matchningsspecifika färdigheterna. Poängen går längre än IAMs. I takt med att vi blir ett mer kvantitativt och datadrivet område kräver många forskningsprojekt (men inte alla) en mer strukturerad labbmiljö som liknar naturvetenskapens, och vi har inte kommit på hur vi ska uppnå det. Förhoppningsvis kommer yrket att göra framsteg på den här fronten under de kommande åren.