Prawda vs. Precyzja w ekonomii Jakub Trzeszczkowski

Plan prezentacji Wstęp Zasada najmocniejszego ogniwa + przykłady Niespójność w czasie i polityka pieniężna Pretensje do precyzji Gromadzenie danych Formalizm a komunikowanie się Doradztwo polityczne Skomplikowanie modeli Podsumowanie

Źródło Thomas Mayer, Prawda kontra precyzja w ekonomii, Warszawa 1996, Rozdziały 5-6

Prawda kontra precyzja Podejście wielu ekonomistów: „Amazonka ma milion i trzy lata, ponieważ trzy lata temu słyszałem, że ma milion” McCloskey (1990): „Skrajnej dokładności modernistycznego rozumowania pod latarnią towarzyszy skrajna nieprecyzyjność poza jej zasięgiem”

Zasada najmocniejszego ogniwa Skupienie uwagi na najmocniejszej części argumentacji oraz przeniesienie jej siły dowodowej na całość argumentacji Wzmacnianie najsilniejszych ogniw Dodatkowy wysiłek włożony w argumentację mocnych stron powoduje stosunkowo niski wzrost precyzyjności

Zasada najmocniejszego ogniwa cd. Więcej czasu poświęconego zwiększeniu precyzji i rygoru pojedynczego kroku to mniej czasu na weryfikacje innych kroków Przykład: Matthew Shapiro (1987) Test względnego znaczenia cyklicznych wstrząsów popytowych i podażowych dla wydajności

Niespójność w czasie i polityka pieniężna Zwrot w dyskusji o polityce pieniężnej na przełomie lat 80’ i 90’. Wprowadzenie teorii gier Tradycyjne argumenty przemawiające za wyeliminowaniem dyskrecjonalnej(aktywnej) polityki BC zastąpione teorią niespójności w czasie Powód? Możliwość precyzyjnego modelowania niektórych kroków Brak dowodów empirycznych

Pretensje do precyzji Używanie precyzji w stopniu mało realistycznym i niepotrzebnym Kreacjonizm lepszy od ewolucjonizmu? Karl Popper: Precyzja to nie próba redukowania błędu do zera, lecz wyraźne jego uznanie

Pretensje do precyzji cd. Wyniki z fałszywie pojętą precyzją Rygorystyczna weryfikacja hipotez na podstawie wątpliwej jakości danych w modelach ekonometrycznych Krytyka za zaokrąglanie wyników obliczonych na szacunkowych wielkościach

Gromadzenie danych to robota „dla murzyna” Pogarda dla gromadzenia danych Gromadzenie danych to robota „dla murzyna” Orientacja na matematykę, a nie naukę empiryczną Zbyt mało wysiłku gromadzenia danych -> słaba jakość danych Dokładna analiza danych pozwala odkryć hipotezy niższego rzędu

Gromadzenie danych cd. Zvi Griliches (1986) Deficyt w handlu USA z Kanadą 1982 roku „wynosił albo 12,8 mld, albo 7,9 mld dolarów zależnie od tego, czy liczby były zaczerpnięte z amerykańskich, czy kanadyjskich publikacji” Należy ostrzegać o słabej jakości danych

Doradztwo polityczne Tematy szeroko omawiane w mediach odgrywają zbyt duża rolę w doradztwie politycznym To o czym się najwięcej dyskutuje nie musi być najważniejsze Duża ilość publikacji traktowana być może błędnie jako wyznacznik znaczenia tematu

Formalizm a komunikowanie się Artykuły przedstawiające bardzo sformalizowaną utrudniają odsianie mało ważnych hipotez i skupienie się na tych istotnych Formalizm wyklucza z dyskusji osoby nie posiadające odpowiednich umiejętności matematycznych, ograniczając krąg potencjalnych odbiorców teorii Zbytni formalizm może posłużyć jako zasłona dla naszych błędów

Skomplikowanie modeli Komplikacja metod obliczeniowych sprawia, że ekonomia jest niekiedy „sztuką dla sztuki” Najlepsze modele powstają na podstawie prostych teorii i technik Częste komplikowanie modeli przy słabych założeniach powoduje, kosztowne czasowo błędy

Podsumowanie „Lepiej jest mieć rację w sposób nieprecyzyjny niż być precyzyjnie w błędzie”

Pytania Czy prawda i precyzja w ekonomii mogą iść ze sobą w parze, czy może jednak sobie przeczą? Czy rzeczywiście istnieje problem zbytniego formalizowania? Skąd się bierze presja na formalizowanie? Czy w ekonomii powinno być więcej matematyki czy mniej?

Dziękuję za uwagę Jakub Trzeszczkowski