XiaoMi-AI文件搜索系统
World File Search SystemMullainathan
解开黑匣子：调节算法决定
作者按字母顺序列出。我们感谢Mario Curiki，Georgy Kalashnov和Ruying Gao的出色研究帮助。We thank Susan Athey, Simon Freyaldenhoven, Talia Gillis, Paul Goldsmith-Pinkham, Damian Kozbur, Danielle Li, Sendhil Mullainathan, Ashesh Rambachan, Amit Seru, Ken Singleton, PR Stark, Chenzi Xu, Louis Kaplow, Kathryn Spier, the FinRegLab team, and seminar and conference participants at Stanford, Yale, Harvard, Zurich, Oxford, the NBER Summer Institute, Stanford SITE, the New Perspectives on Consumer Behavior in Credit and Payments Markets Conference, the AEA Annual Meeting, the FTC, ENSAI, the OCC, EC, the Artificial Intelligence and Big Data in Finance Research (ABFR) Forum, NASMES, the Machine Learning in Economics Summer Institute, and the 2nd Zurich AI + Economics Workshop for helpful discussions and comments.我们感谢斯坦福大学以人工智能（HAI）和亚马逊网络服务的慷慨支持。任何错误或遗漏都是作者的责任。该手稿取代了一个早期版本，该版本已在EC'22上接受并呈现，其扩展摘要发表为：Blattner，Laura，Scott Nelson和Jann Spiess（2022）。解开黑匣子：调节算法决定。在第23届ACM经济学和计算会议论文集（EC'22），第559页。
工作纸·没有。 2022-83大规模信任：加密货币和区块链的经济极限
∗本文最初于2018年6月以较短的形式发行，如Budish（2018）。†致谢：我感谢联合编辑Andrei Shleifer和五个匿名裁判，以极大地改善论文。Thanks are also due to Susan Athey, Vitalik Buterin, Glenn Ellison, Gene Fama, Alex Frankel, Joshua Gans, Edward Glaeser, Austan Goolsbee, Hanna Halaburda, Zhiguo He, Joi Ito, Steve Kaplan, Anil Kashyap, Judd Kessler, Scott Kominers, Randall Kroszner, Robin Lee, Jacob Leshno, Andrew Lewis-Pye, Shengwu Li, Neale Mahoney, Gregor Matvos, Sendhil Mullainathan, Vipin Narang, Neha Narula, David Parkes, Tim Rough- garden, John Shim, Scott Stornetta, Adi Sunderam, Chad Syverson, Alex Tabarrok, Rakesh Vohra, Aviv Zohar, and seminar participants at MIT数字货币倡议，NBER货币经济学，哈佛大学，卡内基·梅隆，UPENN，虚拟市场设计，UIC，东京大学，西北大学，爱荷华州国家市场设计会议，哥伦比亚，斯坦福和NBER市场设计。Ethan Che，Natalia Drozdo Q，Matthew O'Keefe，Anand Shah，Peyman Shahidi，Jia Wan和Tianyi Zhang提供了出色的研究帮助。披露：作者是一个项目顾问，该项目频繁地进行分散批处理，以进行分散的财务。作者没有与这项研究有关的任何其他财务利益。‡芝加哥大学商学院，eric.budish@chicagobooth.edu
人工智能伦理不是万能药
Char, D. S., M. D. Abr amoff 和 C. Feudtner。2020.确定机器学习医疗保健应用的伦理考虑因素。美国生物伦理学杂志 20 (11):7 – 17。doi: 10.1080/15265161.2020.1819469。Fawcett, T. 2006。ROC 分析简介。模式识别快报 27 (8):861 – 874。Hardt, M.、E. Price 和 N. Srebro。2016.监督学习中的机会平等。神经信息处理系统进展 29：3315 – 3323。Kleinberg，J.，和 S. Mullainathan。2019.简单造成不公平：对公平、刻板印象和可解释性的影响。2019 年 ACM 经济与计算会议论文集，807 – 808。Platt，J. C. 1999。支持向量机的概率输出以及与正则化似然方法的比较。在《大边距分类器的发展》中，编辑。A. J. Smola、Peter Bartlett、B. Schölkopf 和 D. Schuurmans，61 – 74。马萨诸塞州剑桥：麻省理工学院出版社。Rajkomar，A.、M. Hardt、M. D. Howell、G. Corrado 和 M. H. Chin。2018 年。确保机器学习的公平性以促进健康公平。内科年鉴 169 (12):866 – 872。Woodworth，B.、S. Gunasekar、M. I. Ohannessian 和 N. Srebro。2017.学习非歧视性预测因子。机器学习研究论文集 65：1920 – 1953。Zhang, B. H., B. Lemoine, 和 M. Mitchell。2018.通过对抗性学习减轻不必要的偏见。2018 年 AAAI/ACM 人工智能、伦理和社会会议论文集，335 – 340。美国路易斯安那州新奥尔良。
Manish Raghavan
1。N. Dalvi，M。Olteanu，M。Raghavan和P. Bohannon。 重复数据库。 in proc。 第23届国际世界网络会议。 2014年4月2。 J. Kleinberg，S。Oren和M. Raghavan。 为当前有偏见的精致代理计划问题。 in proc。 第17届ACM经济学和计算会议。 2016年7月3. J. Kleinberg，S。Mullainathan和M. Raghavan。 在风险评分的公平确定中固有的权衡。 在理论计算机科学会议的第八届创新中。 2017年1月4。 M. Olteanu，N。Dalvi和M. Raghavan。 识别与位置存储的物理位置相关的描述性术语。 在美国专利号中 9613054。 2017年4月5。 J. Kleinberg，S。Oren和M. Raghavan。 有多种偏见。 in proc。 第18届ACM经济学和计算会议。 2017年6月6日。 G. Pleiss，M。Raghavan，F。Wu，J。Kleinberg，K。Weinberger。 公平和校准。 in proc。 第31届神经信息处理系统会议。 2017年12月7. J. Kleinberg，M。Raghavan。 在存在隐性偏见的情况下选择问题。 在理论计算机科学会议的第9创新中。 2018年1月8. M. Raghavan，A。Anderson，J。Kleinberg。 映射在线政治互联行动的调用结构。 in proc。N. Dalvi，M。Olteanu，M。Raghavan和P. Bohannon。重复数据库。in proc。第23届国际世界网络会议。2014年4月2。J. Kleinberg，S。Oren和M. Raghavan。 为当前有偏见的精致代理计划问题。 in proc。 第17届ACM经济学和计算会议。 2016年7月3. J. Kleinberg，S。Mullainathan和M. Raghavan。 在风险评分的公平确定中固有的权衡。 在理论计算机科学会议的第八届创新中。 2017年1月4。 M. Olteanu，N。Dalvi和M. Raghavan。 识别与位置存储的物理位置相关的描述性术语。 在美国专利号中 9613054。 2017年4月5。 J. Kleinberg，S。Oren和M. Raghavan。 有多种偏见。 in proc。 第18届ACM经济学和计算会议。 2017年6月6日。 G. Pleiss，M。Raghavan，F。Wu，J。Kleinberg，K。Weinberger。 公平和校准。 in proc。 第31届神经信息处理系统会议。 2017年12月7. J. Kleinberg，M。Raghavan。 在存在隐性偏见的情况下选择问题。 在理论计算机科学会议的第9创新中。 2018年1月8. M. Raghavan，A。Anderson，J。Kleinberg。 映射在线政治互联行动的调用结构。 in proc。J. Kleinberg，S。Oren和M. Raghavan。为当前有偏见的精致代理计划问题。in proc。第17届ACM经济学和计算会议。2016年7月3.J. Kleinberg，S。Mullainathan和M. Raghavan。 在风险评分的公平确定中固有的权衡。 在理论计算机科学会议的第八届创新中。 2017年1月4。 M. Olteanu，N。Dalvi和M. Raghavan。 识别与位置存储的物理位置相关的描述性术语。 在美国专利号中 9613054。 2017年4月5。 J. Kleinberg，S。Oren和M. Raghavan。 有多种偏见。 in proc。 第18届ACM经济学和计算会议。 2017年6月6日。 G. Pleiss，M。Raghavan，F。Wu，J。Kleinberg，K。Weinberger。 公平和校准。 in proc。 第31届神经信息处理系统会议。 2017年12月7. J. Kleinberg，M。Raghavan。 在存在隐性偏见的情况下选择问题。 在理论计算机科学会议的第9创新中。 2018年1月8. M. Raghavan，A。Anderson，J。Kleinberg。 映射在线政治互联行动的调用结构。 in proc。J. Kleinberg，S。Mullainathan和M. Raghavan。在风险评分的公平确定中固有的权衡。在理论计算机科学会议的第八届创新中。2017年1月4。M. Olteanu，N。Dalvi和M. Raghavan。 识别与位置存储的物理位置相关的描述性术语。 在美国专利号中 9613054。 2017年4月5。 J. Kleinberg，S。Oren和M. Raghavan。 有多种偏见。 in proc。 第18届ACM经济学和计算会议。 2017年6月6日。 G. Pleiss，M。Raghavan，F。Wu，J。Kleinberg，K。Weinberger。 公平和校准。 in proc。 第31届神经信息处理系统会议。 2017年12月7. J. Kleinberg，M。Raghavan。 在存在隐性偏见的情况下选择问题。 在理论计算机科学会议的第9创新中。 2018年1月8. M. Raghavan，A。Anderson，J。Kleinberg。 映射在线政治互联行动的调用结构。 in proc。M. Olteanu，N。Dalvi和M. Raghavan。识别与位置存储的物理位置相关的描述性术语。在美国专利号9613054。2017年4月5。J. Kleinberg，S。Oren和M. Raghavan。 有多种偏见。 in proc。 第18届ACM经济学和计算会议。 2017年6月6日。 G. Pleiss，M。Raghavan，F。Wu，J。Kleinberg，K。Weinberger。 公平和校准。 in proc。 第31届神经信息处理系统会议。 2017年12月7. J. Kleinberg，M。Raghavan。 在存在隐性偏见的情况下选择问题。 在理论计算机科学会议的第9创新中。 2018年1月8. M. Raghavan，A。Anderson，J。Kleinberg。 映射在线政治互联行动的调用结构。 in proc。J. Kleinberg，S。Oren和M. Raghavan。有多种偏见。in proc。第18届ACM经济学和计算会议。2017年6月6日。G. Pleiss，M。Raghavan，F。Wu，J。Kleinberg，K。Weinberger。 公平和校准。 in proc。 第31届神经信息处理系统会议。 2017年12月7. J. Kleinberg，M。Raghavan。 在存在隐性偏见的情况下选择问题。 在理论计算机科学会议的第9创新中。 2018年1月8. M. Raghavan，A。Anderson，J。Kleinberg。 映射在线政治互联行动的调用结构。 in proc。G. Pleiss，M。Raghavan，F。Wu，J。Kleinberg，K。Weinberger。公平和校准。in proc。第31届神经信息处理系统会议。2017年12月7.J. Kleinberg，M。Raghavan。 在存在隐性偏见的情况下选择问题。 在理论计算机科学会议的第9创新中。 2018年1月8. M. Raghavan，A。Anderson，J。Kleinberg。 映射在线政治互联行动的调用结构。 in proc。J. Kleinberg，M。Raghavan。在存在隐性偏见的情况下选择问题。在理论计算机科学会议的第9创新中。2018年1月8.M. Raghavan，A。Anderson，J。Kleinberg。 映射在线政治互联行动的调用结构。 in proc。M. Raghavan，A。Anderson，J。Kleinberg。映射在线政治互联行动的调用结构。in proc。第27届国际世界网络会议。2018年4月9.M. Raghavan，A。Slivkins，J。W。Vaughan，Z。S. Wu。 探索的外部性以及数据多样性如何有助于剥削。 在学习理论会议上。 2018年7月10. M. Raghavan，M。Purohit，S。Gollapudi。 在不确定性下雇用。 在国际机器学习会议上。 2019年6月11. M. Raghavan，S。Barocas。 减轻算法招聘中偏见的挑战。 在布鲁金斯统治中。 2019年12月M. Raghavan，A。Slivkins，J。W。Vaughan，Z。S. Wu。探索的外部性以及数据多样性如何有助于剥削。在学习理论会议上。2018年7月10.M. Raghavan，M。Purohit，S。Gollapudi。 在不确定性下雇用。 在国际机器学习会议上。 2019年6月11. M. Raghavan，S。Barocas。 减轻算法招聘中偏见的挑战。 在布鲁金斯统治中。 2019年12月M. Raghavan，M。Purohit，S。Gollapudi。在不确定性下雇用。在国际机器学习会议上。2019年6月11.M. Raghavan，S。Barocas。减轻算法招聘中偏见的挑战。在布鲁金斯统治中。2019年12月
质疑人工智能预测：影响力驱动的第二意见推荐
[1] Gagan Bansal、Besmira Nushi、Ece Kamar、Dan Weld、Walter Lasecki 和 Eric Horvitz。2019 年。人机协作团队向后兼容的案例。ICML 人机协作学习研讨会 (2019)。[2] Gagan Bansal、Tongshuang Wu、Joyce Zhou、Raymond Fok、Besmira Nushi、Ece Kamar、Marco Tulio Ribeiro 和 Daniel Weld。2021 年。整体是否超过部分？人工智能解释对互补团队绩效的影响。在 CHI 计算机系统人为因素会议论文集上。1-16。 [3] Umang Bhatt、Javier Antorán、Yunfeng Zhang、Q Vera Liao、Prasanna Sattigeri、Riccardo Fogliato、Gabrielle Gauthier Melançon、Ranganath Krishnan、Jason Stanley、Omesh Tickoo 等人。2020 年。不确定性作为透明度的一种形式：测量、传达和使用不确定性。arXiv 预印本 arXiv:2011.07586 (2020)。[4] Zana Buçinca、Maja Barbara Malaya 和 Krzysztof Z Gajos。2021 年。信任还是思考：认知强制函数可以减少人工智能辅助决策对人工智能的过度依赖。ACM 人机交互论文集 5，CSCW1 (2021)，1-21。 [5] Rich Caruana、Yin Lou、Johannes Gehrke、Paul Koch、Marc Sturm 和 Noemie Elhadad。2015 年。医疗保健的可理解模型：预测肺炎风险和 30 天内住院率。第 21 届 ACM SIGKDD 国际知识发现和数据挖掘会议论文集。1721–1730。[6] R Dennis Cook。1986 年。局部影响力评估。皇家统计学会杂志：B 系列（方法论）48，2（1986 年），133–155。[7] Maria De-Arteaga、Artur Dubrawski 和 Alexandra Chouldechova。2021 年。利用专家一致性改进算法决策支持。arXiv 预印本 arXiv:2101.09648（2021 年）。 [8] Maria De-Arteaga、Riccardo Fogliato 和 Alexandra Chouldechova。2020 年。《人机交互案例：在存在错误算法评分的情况下做出决策》。2020 年 CHI 计算机系统人为因素会议论文集。1-12。[9] Berkeley J Dietvorst、Joseph P Simmons 和 Cade Massey。2015 年。《算法厌恶：人们在发现算法错误后会错误地避开算法》。《实验心理学杂志：综合》144, 1 (2015)，114。[10] Kelwin Fernandes、Jaime S Cardoso 和 Jessica Fernandes。2017 年。《具有部分可观测性的迁移学习应用于宫颈癌筛查》。《伊比利亚模式识别与图像分析会议》。Springer，243-250。 [11] Yarin Gal 和 Zoubin Ghahramani。2016 年。Dropout 作为贝叶斯近似：表示深度学习中的模型不确定性。在国际机器学习会议 (ICML) 中。1050–1059。[12] Ruijiang Gao、Maytal Saar-Tsechansky、Maria De-Arteaga、Ligong Han、Min Kyung Lee 和 Matthew Lease。2021 年。通过 Bandit 反馈实现人机协作。IJCAI (2021)。[13] Pang Wei Koh 和 Percy Liang。2017 年。通过影响函数理解黑盒预测。在第 34 届国际机器学习会议论文集-第 70 卷中。JMLR。org，1885–1894 年。[14] Himabindu Lakkaraju、Jon Kleinberg、Jure Leskovec、Jens Ludwig 和 Sendhil Mullainathan。2017 年。选择性标签问题：在存在不可观测因素的情况下评估算法预测。第 23 届 ACM SIGKDD 国际知识发现与数据挖掘会议论文集。ACM，275–284。
SUERF 政策简报 - 对全球脱碳的影响
本研究考察了 2000 年至 2023 年期间气候相关金融政策 (CRFP) 在促进 87 个国家脱碳和可再生能源生产 (REP) 方面的影响。通过采用先进的机器学习方法，并使用政策排序评分 (PSS) 和约束力加权采用指标，该分析为政策设计、经济背景和环境结果之间的复杂关系提供了宝贵的见解。研究结果强调了全球和地区之间的重大差异，为使金融体系与气候目标保持一致提供了可操作的指导。气候相关金融政策对于通过管理气候相关风险和将资本流转向可持续投资来使金融部门与环境目标保持一致至关重要 (D'Orazio & Thole, 2022)。这些政策对于实现《巴黎协定》第 2.1(c) 条至关重要，该条强调将资金流与支持低温室气体 (GHG) 排放和气候适应型发展的途径相结合。绿色债券、强制披露和气候风险评估等工具使金融当局能够减轻系统性风险并促进绿色投资（OECD，2024 年）。例如，绿色债券为可再生能源和能源效率项目提供了大量资金，尤其是在东南亚，尽管将收益分配给海外项目限制了其对当地的影响。同样，强制性的气候风险披露也改变了投资模式，对碳密集型行业征收了“碳风险溢价”。在此背景下，绿色金融原则、披露要求和审慎监管的作用不容小觑。欧洲和亚洲部分地区的金融当局已经引入了强制性披露制度，以解决市场效率低下问题并激励绿色技术创新。这些措施直接影响了碳密集型行业的信誉，将资本流向低碳替代品。该研究采用机器学习技术，包括 Shapley 加法解释 (SHAP)，来评估 CRFP 对二氧化碳排放和 REP 等关键环境指标的影响（Lundberg，2017 年）。政策排序评分 (PSS) 量化一个国家与全球最佳实践的政策一致性，而累积政策指数 × 约束力 (CumBind) 则评估政策实施的可执行性和强度。这些指标使我们可以对不同国家组和经济背景进行细致入微的分析。利用这些方法，该研究克服了传统计量经济学的局限性，从而可以更动态地理解因果关系和政策协同作用（Mullainathan, S. & Spiess, 2017）。研究结果表明，发达经济体受益于结构化政策和强有力的机构，这些政策和机构持续推动减少排放和增加可再生能源生产。对于 G20 和 OECD 国家而言，这种影响在具有强大执行机制的经济体中尤为明显，这些经济体的强制披露和绿色金融原则等政策已导致投资模式发生可衡量的变化。然而，在政策采用的更高水平上观察到收益递减，这凸显了持续创新以维持进步的必要性。另一方面，新兴市场和发展中经济体 (EMDE) 面临着限制政策有效性的制度和结构性制约因素。尽管存在这些挑战，EMDE 中的有针对性的 CRFP 仍显示出巨大的潜力，特别是在撒哈拉以南非洲和南亚，这些地区的可再生能源增长引人注目。图 1 全面分析了 CRFP 对 CO2 排放和 REP 的区域影响。面板 A 和 B 中拟合的 SHAP 值说明了政策排序分数 (PSS) 的区域特定趋势。面板 A 显示，随着 PSS 的增加，东亚和太平洋地区的 CO2 排放 SHAP 值急剧下降，表明排序与减排之间存在很强的关系。相反，拉丁美洲和加勒比地区的 SHAP 值急剧上升，反映出有效排序的困难。面板 B 显示，撒哈拉以南非洲地区的 PSS 和 REP 之间存在非线性正相关关系，突显出对改进排序的显著响应，而东亚和太平洋地区则呈现出较为平缓的趋势，表明由于已经很先进的可再生能源部门，边际收益正在递减。面板 C 和 D 研究了约束力加权政策 (CumBind) 的影响。面板 C 发现，在南亚、拉丁美洲和加勒比地区等地区，CumBind 与 CO2 排放之间存在正相关关系，表明存在实施差距或对碳密集型产业的依赖。相比之下，欧洲和中亚呈现下降趋势，反映出更成熟的政策格局。小组 D 强调了约束性政策在推动撒哈拉以南非洲、拉丁美洲、加勒比地区、欧洲和中亚地区可再生能源发电增长方面发挥的关键作用，强调了它们在扩大可再生能源产能方面的重要性。尽管存在这些挑战，EMDE 中的有针对性的 CRFP 仍显示出巨大的潜力，特别是在可再生能源增长显著的撒哈拉以南非洲和南亚。图 1 全面分析了 CRFP 对 CO2 排放和 REP 的区域影响。面板 A 和 B 中拟合的 SHAP 值说明了政策排序评分 (PSS) 的区域特定趋势。面板 A 显示，随着 PSS 的增加，东亚和太平洋地区的 CO2 排放 SHAP 值急剧下降，表明排序与减排之间存在很强的关系。相反，拉丁美洲和加勒比地区的 SHAP 值急剧上升，反映出有效排序的困难。面板 B 显示，撒哈拉以南非洲的 PSS 和 REP 之间存在非线性正相关关系，突显出对改进排序的显著响应，而东亚和太平洋地区则呈现出较平缓的趋势，表明由于已经很先进的可再生能源部门，边际收益正在递减。面板 C 和 D 研究了约束加权政策 (CumBind) 的影响。面板 C 表明，在南亚、拉丁美洲和加勒比地区等地区，CumBind 与二氧化碳排放量之间存在正相关关系，表明存在实施差距或对碳密集型行业的依赖。相比之下，欧洲和中亚呈现下降趋势，反映出更成熟的政策格局。面板 D 强调了约束性政策在推动撒哈拉以南非洲、拉丁美洲、加勒比地区、欧洲和中亚 REP 增长方面的关键作用，强调了它们在扩大可再生能源容量方面的重要性。尽管存在这些挑战，EMDE 中的有针对性的 CRFP 仍显示出巨大的潜力，特别是在可再生能源增长显著的撒哈拉以南非洲和南亚。图 1 全面分析了 CRFP 对 CO2 排放和 REP 的区域影响。面板 A 和 B 中拟合的 SHAP 值说明了政策排序评分 (PSS) 的区域特定趋势。面板 A 显示，随着 PSS 的增加，东亚和太平洋地区的 CO2 排放 SHAP 值急剧下降，表明排序与减排之间存在很强的关系。相反，拉丁美洲和加勒比地区的 SHAP 值急剧上升，反映出有效排序的困难。面板 B 显示，撒哈拉以南非洲的 PSS 和 REP 之间存在非线性正相关关系，突显出对改进排序的显著响应，而东亚和太平洋地区则呈现出较平缓的趋势，表明由于已经很先进的可再生能源部门，边际收益正在递减。面板 C 和 D 研究了约束加权政策 (CumBind) 的影响。面板 C 表明，在南亚、拉丁美洲和加勒比地区等地区，CumBind 与二氧化碳排放量之间存在正相关关系，表明存在实施差距或对碳密集型行业的依赖。相比之下，欧洲和中亚呈现下降趋势，反映出更成熟的政策格局。面板 D 强调了约束性政策在推动撒哈拉以南非洲、拉丁美洲、加勒比地区、欧洲和中亚 REP 增长方面的关键作用，强调了它们在扩大可再生能源容量方面的重要性。这表明存在执行差距或依赖碳密集型行业。相比之下，欧洲和中亚地区则呈现下降趋势，反映出更成熟的政策格局。面板 D 强调了约束性政策在推动撒哈拉以南非洲、拉丁美洲、加勒比地区、欧洲和中亚地区可再生能源发电增长方面的关键作用，强调了它们在扩大可再生能源产能方面的重要性。这表明存在执行差距或依赖碳密集型行业。相比之下，欧洲和中亚地区则呈现下降趋势，反映出更成熟的政策格局。面板 D 强调了约束性政策在推动撒哈拉以南非洲、拉丁美洲、加勒比地区、欧洲和中亚地区可再生能源发电增长方面的关键作用，强调了它们在扩大可再生能源产能方面的重要性。