という紹介の文言（Does AI weaken the Lucas critique?）を添えてタイラー・コーエンがシカゴ大のAlex Imasのsubstackエントリにリンクしている。エントリのタイトルは「Can a Transformer “Learn” Economic Relationships?／Revisiting the Lucas Critique in the age of Transformers.（機械学習モデルは経済的関係を「学習」できるのか？／機械学習モデルの時代におけるルーカス批判の再訪）」で、NYTのArpit Guptaとの共著。
以下は同エントリの結論部。
First, that advances in artificial intelligence do weaken the practical impact of the Lucas critique relative to the models criticized at the time. Newer transformer models can learn predictive relationships which remain partially stable across regimes, at least holding fixed the true structural nature of the economy and for some “nearby” policy shifts. This is something already that Cowles-style models struggled to do.
However, simple transformers alone do not abolish the Lucas critique. If the goal is accurate counterfactuals for policy, rough approximations aren’t enough. You probably want greater assurance that the model’s internal representation is close enough to reality so as to be comfortable relying on the model for guidance. Of course, the same challenge applies equally to the DSGE objects in modern macro, which have had mixed success in forecasting and prediction.
All of this suggests a natural research agenda going forward. Structural models have their place in economics, and will retain important advantages in terms of legibility, being able to cleanly trace mechanisms, and evaluate welfare and counterfactuals. But we should be increasingly willing to explore transformer-style models and other tools from ML and AI to explore purely data-driven model generation in our field. As this technology is likely to just get better over time, we should grow more comfortable in thinking of “structure” as something which can be learned, rather than assumed.
（拙訳）
第一に、人工知能の進歩は、当時批判されたモデルに比べて、ルーカス批判の実際的な影響を確かに弱めている。新たな機械学習モデルは、各レジームを通じて部分的に安定的であり続ける予測的な関係を学習することができる。少なくとも、経済の真の構造的な性質を固定的なものとした場合、および、幾つかの「それほど大きくない」政策の変化についてはそうである。これはコールズ型のモデルが既にやろうとしていたことである。
しかし、単純な機械学習モデルだけではルーカス批判を廃するに至らない。政策の正確な反実仮想が目的であるならば、粗い近似は十分ではない。指針として安心してモデルに依拠できるほどモデルの内的表現が現実に近い、というより大きな保証を人々はおそらく求めるだろう。もちろん、同じ課題は、予測と予想に部分的な成功を収めたが完全には成功していない現代マクロ経済学のDSGE関係にも同等に課される。
以上のことすべては、今後の然るべき研究課題を示している。構造モデルには経済学における役割があり、読解性、および、綺麗にメカニズムを追跡でき、厚生と反実仮想を評価できる、という点で重要な利点を維持する。しかし我々は、経済学における純粋にデータドリブンなモデルの生成を追究するために、機械学習的なモデルおよび機械学習と人工知能の他のツールを追究することにますます前向きであるべきである。この技術は兎にも角にも時間とともに改善する可能性が高いため、「構造」を仮定するものではなく学習できるものとして考えることにもっと慣れていくべきである。
Imasの連ツイによる解説はこちら。MITのBenjamin Manningがモデルの完全性という観点からこの連ツイに反応しており、それにもコーエンはリンクしている。
