个性化选择的机器学习和行为经济学

是 否 +2 论坛币

k人 参与回答

经管之家送您一份

应届毕业生专属福利!

求职就业群

赵安豆老师微信：zhaoandou666

经管之家联合CDA

送您一个全额奖学金名额~ !

立即领取

感谢您参与论坛问题回答

经管之家送您两个论坛币！

+2 论坛币

英文标题：
《Machine learning and behavioral economics for personalized choice
  architecture》
---
作者：
Emir Hrnjic and Nikodem Tomczak
---
最新提交年份：
2019
---
英文摘要：
  Behavioral economics changed the way we think about market participants and revolutionized policy-making by introducing the concept of choice architecture. However, even though effective on the level of a population, interventions from behavioral economics, nudges, are often characterized by weak generalisation as they struggle on the level of individuals. Recent developments in data science, artificial intelligence (AI) and machine learning (ML) have shown ability to alleviate some of the problems of weak generalisation by providing tools and methods that result in models with stronger predictive power. This paper aims to describe how ML and AI can work with behavioral economics to support and augment decision-making and inform policy decisions by designing personalized interventions, assuming that enough personalized traits and psychological variables can be sampled.
---
中文摘要：
行为经济学通过引入选择架构的概念，改变了我们对市场参与者的思考方式，并彻底改变了决策。然而，尽管在人群层面上有效，但行为经济学（nudges）的干预措施在个人层面上挣扎时，往往表现出较弱的概括性。数据科学、人工智能（AI）和机器学习（ML）的最新发展表明，通过提供能够生成具有更强预测能力的模型的工具和方法，可以缓解一些弱泛化问题。本文旨在描述ML和AI如何与行为经济学合作，通过设计个性化干预来支持和增强决策，并为政策决策提供信息，前提是可以抽样足够多的个性化特征和心理变量。
---
分类信息：

一级分类：Economics        经济学
二级分类：General Economics        一般经济学
分类描述：General methodological, applied, and empirical contributions to economics.
对经济学的一般方法、应用和经验贡献。
--
一级分类：Computer Science        计算机科学
二级分类：Machine Learning        机器学习
分类描述：Papers on all aspects of machine learning research (supervised, unsupervised, reinforcement learning, bandit problems, and so on) including also robustness, explanation, fairness, and methodology. cs.LG is also an appropriate primary category for applications of machine learning methods.
关于机器学习研究的所有方面的论文（有监督的，无监督的，强化学习，强盗问题，等等），包括健壮性，解释性，公平性和方法论。对于机器学习方法的应用，CS.LG也是一个合适的主要类别。
--
一级分类：Quantitative Finance        数量金融学
二级分类：Economics        经济学
分类描述：q-fin.EC is an alias for econ.GN. Economics, including micro and macro economics, international economics, theory of the firm, labor economics, and other economic topics outside finance
q-fin.ec是econ.gn的别名。经济学，包括微观和宏观经济学、国际经济学、企业理论、劳动经济学和其他金融以外的经济专题
--

---
PDF下载：
--> Machine_learning_and_behavioral_economics_for_personalized_choice_architecture.pdf (189.99 KB)

2022-6-24 07:28:36 上传

扫码加我 拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

分享0 收藏0 回帖

关键词：行为经济学 行为经济 机器学习 个性化 经济学

个性化选择架构的机器学习和行为经济学Emir Hrnjicand Nikodem Tomczak2，*CAMRI，新加坡国立大学商学院，15 Kent Ridge Drive，Singapore，119245新加坡国立大学化学系，3 Science Drive 3，Singapore，117543行为经济学通过引入选择架构的概念改变了我们对市场参与者的思考方式，并彻底改变了政策制定。然而，尽管在人群层面上有效，但行为经济学的干预措施，即轻推，在个体层面上挣扎时，往往表现为弱泛化。数据科学、人工智能（AI）和机器学习（ML）的最新发展表明，通过提供能够产生具有强大预测能力的模型的工具和方法，可以缓解弱泛化的一些问题。本文旨在描述ML和AI如何与行为经济学合作，通过设计个性化干预来支持和增强决策，并为决策提供信息，前提是可以抽样足够多的个性化特征和心理变量。一、 经济主体的激励机制是经济推理、决策和决策的核心。事实上，政策制定者利用对激励机制的理解方面的最新进展来设计经济干预措施，以便对社会产生积极影响。他们通常使用“一刀切”的解决方案，这些解决方案提供了弱泛化[2-4]。然而，经济干预应该通过使用个性化的激励因素来发挥更大的作用，即在人口中个体成员的水平上[5]。基于假设完全理性的自利个人的经济理论的政策的预测能力差异很大，因为人类的行为往往不像完全理性的经济人[6，7]。

事实上，由于多种心理、认知、情感、文化和社会因素，人类的行为和决策偏离了理性主体的行为和决策。通过利用这些因素并选择干预措施，使激励措施与特定目标相一致，决策者可以根据心理学和行为经济学的研究，为塑造人们的行为提供处方。选择架构（Choice architecture）是人们做出选择的背景，它可以包括一些细微的线索（提示、提醒或警告），以推动人类行为朝着“期望”的方向发展，同时通过人们的能力和控制来保持选择的可用性【15】。事实上，政策制定者已经成功地将选择架构应用于具有某些共性的人群[16-19]，从而产生了无数积极的健康护理[22]，经济和社会结果[5，23]。由于经济激励措施和设计的轻推推广不力，轻推在个人层面上效果不佳。虽然新政策平均会产生积极的结果（即在人口水平上），但通常无法判断它们对特定个人是否有效以及效果如何。*尼科德姆。tomczak@nus.edu.sgNudging个人成员层面的人类集体需要不同的方法。我们不想问一个特定的轻推如何影响一群人的行为，而是想回答一个问题，即在特定的情况下，特定的个人会如何回应特定的轻推。我们不能简单地通过对一个群体尝试许多不同的政策来“暴力”一个结果——平均而言，这仍然可以通过修改不同群体的选择来提供相同的结果。

我们也无法为社会中的每个人提供单独的政策，因为劳动力有限，而且这项事业的成本巨大。相反，我们需要的是一个通用模型，当根据每个人的独特环境和背景分别应用于每个人时，它将为最合适的个性化响应提供预测，从而达到预期的结果。在数据科学、人工智能和机器学习领域，正在开发概括和扩展大规模异质群体的预测方法。人工智能（AI）领域涉及人工、自主、理性代理的设计和工程[24，25]，这些代理可以学习、做出预测和决策，并在无需人工干预的情况下进行改进。机器学习（ML）是人工智能的一个子集，它以迭代学习算法为中心，以获得一般化模型，该模型描述数据集之间的关系，通常是隐藏的[26，27]。然后根据已知结果对获得的模型进行测试，如果结果令人满意，则用于对样本外数据进行预测。通过对生成算法的模型应用适当的反馈，每个新的输入输出查询都会对模型进行改进。人工智能和机器学习起源于上世纪中叶[2 8，29]，近年来迅速普及，主要是因为数据的可用性[30]，计算成本的降低，以及数学算法的进步[31–33]。

重要的是，做出预测是可行的；s imple MLmodels可以在个人笔记本电脑上进行培训和部署。此外，大多数公司和组织都能很好地实现需要专用硬件的复杂ML算法。机器学习的应用范围包括自然语言处理【34】、医学诊断【35】、预测性总线分析【31、36、37】、说服支持【38】到预测犯罪和累犯【39、40】、财富分配【41–43】等等【44】。机器学习和人工智能用于开发自动驾驶汽车，这些汽车使用摄像头和传感器连续扫描周围环境，在收集的数据中识别目标和模式，预测交通参与者的行为，并根据这些预测做出决策；所有这些都没有人为干预[45，46]。在银行业和金融业，机器学习用于信用评分、预测客户流失、工厂贷款决策、交易、咨询和客户服务等。将最大似然法应用于金融预测，可以检测现有金融经济理论所看不到的数据中的相互作用【51】。机器学习最近已应用于经济学领域【25、37、52】、心理学领域【53】以及物理和化学科学领域，帮助并加速新材料的发现【54-56】、在大型数据集中发现隐藏模式【57-59】以及规划化学合成【60】。未来，AI和ML将通过自动化和无监督学习，至少在一定程度上取代部分科学发现和创新过程[61]。简言之，ML可以在数据中发现以前被掩盖的非线性模式，并利用这些模式在各个领域做出更准确的预测。在下一节中，我们将重点介绍它预测人类行为的能力。二、

从预测机器到选择架构机器，我们可以使用机器学习工具箱来显著改善人类的决策【62、63】，并提高我们预测什么样的人会对什么样的说服技巧做出反应的能力【40、64–69】。然而，即使使用从ML方法获得的预测，用户仍然必须形成自己的判断[70]。在这种情况下，ML可以通过提供可能的解决方案来增强用户的决策过程，而这些解决方案可能是他们错失的。与计算机相比，人们在短时间内处理数千个变量的能力是有限的，这取决于他们的情绪状态。ML减少了决策所需的时间和判断的认知成本【63】。因此，ML可以提示重新确认先前做出的决策，并仔细重新评估可能的结果。三、 一般公式我们提出了一个问题的一般公式，即当使用机器学习模型的预测来支持选择个性化干预的决策时。假设G是描述先验特定目标的效用[71]。让GOhm（Nu）是我们决策的全部效用Ohm, 要应用从一组微调N中选择的微调Nuselected，其中u=0。。。，l和N不表示轻推。只选择一个会有选择地影响Ohm, 公用工程GOhm可能离它的最大值很远。如果我们更改Nuwe，则获得不同的GOhm. 然而，我们可能不知道不同的年会对人口中的个体成员产生怎样的影响。考虑到我们的决策结果可以在个人层面上进行评估。

最大化结果GOhm对于问题P，我们采用个性化干预方法，其中对于每个人ωi∈ Ohm,i=1。。。，n，我们可以分配Nu，这样我们可以最大化效用Gωi（δui），其中δui是决定对个人i使用nudgenu。为了获得预测模型，对于eachωiwe ass e mble一个特征向量∏i，它包含一组信息变量、特征、πk∈ π，其中k=1。。。，m表示集合中的单个变量，我们向其中添加一个变量πm+1=对应于特定微移的微移，以及一个输出变量yi：{0，1}，即，我们分别根据微移是否适用于特定的人来指定“1”或“0”。预测模型或假设是通过在实验获得的数据集上进行训练，通过监督学习获得的，该数据集由多个输入输出对（πi∪ {Nu}，yi）。然后，通过估计概率p（yi=Nu∏i）来预测不在训练集中的人的b estδui。然后，我们的决定可以定义为δui=arg maxuP（yi=Nu∏i）（1），以最大化我们需要的总效用，从而在所有单个效用Gωi（δui）上求和：max GOhm=nXi=1Gωi（δui）（2）应用特定的微调会增加成本。这些成本是总和-如果应用更多的推动，则成本是单个推动成本的总和。纽德的付出是可交换的，也就是说，应用纽德的顺序无关紧要，但它也是非关联的（按顺序应用两个轻推可能与同时应用两个不一样）。因此，在同一时间对单个个体施加更多的推动，则会产生递减的回报。接下来的问题是，应用个性化的轻推是否总是比什么都不做要好，也就是说，预先描述的轻推是否比不轻推更糟糕，以及是否存在外部性【71，72】。集合N中包括“不轻推”。

该模型可能会预测，我们在不规定任何干预措施的情况下会取得更好的效果，即P（N∏i）将大于任何其他微调。我们也可能会遇到这样一种情况，即每种结果的可能性都很低。在这种情况下，我们可能希望估计一个削减概率，低于该概率，我们将默认不轻推[70]。这种削减可能与轻推的成本有关，在模型部署的早期阶段可能很重要，因为模型可能会给出错误的预测。值得注意的是，个性化轻推最终可能会通过避免错误的规定或有效的轻推而大幅降低成本。最后，我们需要评估个性化轻推的效用是否高于或等于每个可能轻推的一次轻推对所有方法的效用。如新大学∈ N、 G级Ohm（Nu）6克Ohm（δu）（3）这种情况可能会发生，因为ML模型并非百分之百准确，并且可能会整体分配错误的推动，尤其是在模型使用的各个阶段，增加了成本，损害了公平性，降低了个性化预测的总效用。四、 实验方法a。总体和特征选择通常情况下，选择架构师想要做出个性化决策的总体不是随机选择的，而是取决于需要解决的问题。例如，治疗后依从性指标必然会将人群减少到已经患病且具有独特特征的人群，比如久坐的生活方式。因此，所设计的轻推集N将有偏差，并取决于样本。然而，现有行为研究中的研究数据数量正常，可以提供有意义的提示，说明哪些变量可能相关[23]。

为了深入理解哪些轻推应该包含在N中，choice架构师需要通过与从业者进行访谈和审查文献来更好地理解这个问题，这些文献描述了单轻推的结果。这种方法也有助于特征选择。通过特征选择识别和移除共线变量对于最小化过度拟合至关重要。随机森林算法【73】引导预测子样本，同时处理多个预测，同时最小化过度拟合。同时，它们对非线性关系和预测者之间的复杂相互作用敏感。然而，与数据之间的关系更加清晰的单回归树不同，随机林算法更难理解。出于伦理考虑，透明且易于传播的算法可能会倾向于对人类行为进行个性化预测，即使由于预测模型的准确性较低而导致总体干预成本的增加。人类特征和行为的复杂性在数据集中产生了大量的异常值。然而，这些异常值不应该在个性化干预中删除，因为choice架构师更喜欢为每个人提供解决方案。Choice架构师需要考虑这些因素，以便设计不仅适用于发行版中心的模型。使用预注册，类似于临床试验和心理学中使用的预注册，将使实验更容易翻译，更不容易出错，更容易复制[74，75]。预注册可能包括将用于训练ML模型的方法和预测因子。强化学习是一种机器学习方法，通过最大化累积奖励，帮助agent从经验中学习。虽然强化学习不需要事先有太多的历史数据，但学习起来可能需要很长时间。

它可以用来补充个体化反应模型，从人群结果中学习。然而，为了学习star t，需要部署它。在这种情况下，需要仔细评估规定的推送的成本。如果成本很高，用可用的文献数据引导模型可能是有利的。B、 模型性能测试评估指标，如精度、混淆矩阵、对数损失或F-sco re（包括精度和调用）及其修改，通常用于评估样本外数据集的分类模型。在直接影响人们的决策背景下，要优化的绩效指标的选择取决于我们试图解决的问题和我们的公平衡量标准【76–78】。理想情况下，后者需要事先定义。不同的利益相关者可能会对这些指标的有用性有不同的看法，但在推动的情况下，对人类价值的支持应该优先考虑数学的正确性。这些指标还可以假设测试集代表了潜在的真实世界任务，并且模型的逻辑没有错误，即模型既不准确，也不对某些细节过于敏感。在实践中，我们可能希望在人群、分配了相同干预措施的群体和个人层面上评估模型的性能，以了解预测值平价是否优先于其他指标【77，80】。因此，准确度很难成为正确的评估指标。使用ML模型进行预测的一个关键方面是以“使用学习”的方式不断提高其性能。在某些情况下，这可以通过面谈来实现。