哪些大学在引领机器学习x经济学浪潮? 这32篇前沿文献全解析助你站在该交叉领域前沿.

凡是搞计量经济的，都关注这个号了

邮件：econometrics666@126.com

所有计量经济圈方法论丛的code程序, 宏微观数据库和各种软件都放在社群里.欢迎到计量经济圈社群交流访问.

在机器学习与经济学交叉研究领域，有好几所知名大学、研究结构和研究中心汇集了一众知名学者，继而成为该前沿领域的研究重镇。

1️⃣斯坦福大学：斯坦福大学拥有苏珊·阿西（Susan Athey）、吉多·因本斯（Guido Imbens）、詹恩·斯皮斯（Jann Spiess）和斯特凡·瓦格（Stefan Wager）等知名学者，是因果推断和机器学习方法研究的重镇。其商学院（GSB）、经济学系和统计学系合作紧密。斯坦福经济政策研究所（SIEPR）、以人为本人工智能研究所（HAI）、戈卢布资本社会影响力实验室（Golub Capital Social Impact Lab）以及斯坦福因果科学中心（Stanford causal science center）等专门机构，为相关研究提供了有力的机制性支持。在全球经济学/计量经济学和人工智能研究领域的排名中，斯坦福大学一直名列前茅。

2️⃣麻省理工学院：作为维克多·切尔诺朱科夫（Victor Chernozhukov）和梅尔特·德米勒（Mert Demirer）的所在地，MIT不仅拥有顶尖的经济学系、电子工程与计算机科学系（EECS），还有统计与数据科学中心。该校与机器学习经济学领域渊源深厚，梅丽莎·戴尔（Melissa Dell）和森德希尔·穆莱纳森（Sendhil Mullainathan，现在又回到MIT任职）也曾在此任职。MIT 在经济学和人工智能领域均是世界顶尖学府。

3️⃣哈佛大学：哈佛大学的教员团队包括梅丽莎·戴尔（Melissa Dell）。该校不仅拥有顶级的经济学系，还受益于韦瑟黑德国际事务中心（Weatherhead Center for International Affairs）等研究机构的支持。阿西（Athey）、因本斯（Imbens）和穆莱纳森（Mullainathan）也曾与哈佛有过学术联系。

4️⃣芝加哥大学：芝加哥大学布斯商学院拥有森德希尔·穆莱纳森（Sendhil Mullainathan，现在回到MIT去了）和修大成（Dacheng Xiu），是该领域的重要研究枢纽，在计量经济学、统计学、金融学和行为科学方面实力尤为雄厚。该校设有应用人工智能中心（center for applied artificial intelligence）和数据科学研究所（data science institute），积极促进跨学科合作。其经济学/计量经济学专业排名世界前列。

5️⃣耶鲁大学：耶鲁大学拥有布莱恩·凯利（Bryan Kelly）和成田悠輔（Yusuke Narita），不仅设有顶尖的经济学系，还有着极具影响力的考尔斯经济学研究基金会（Cowles Foundation for Research in Economics）。

6️⃣加州大学伯克利分校：加州大学伯克利分校在经济学、统计学、政治学和公共卫生等多个院系聚集了众多致力于因果推断、计量经济学、统计学和机器学习研究的学者。相关研究中心包括有效全球行动中心（CEGA）和计量经济学实验室（Econometrics Laboratory）。伯克利分校在经济学和人工智能研究方面均享有很高声誉。

7️⃣其他大学机构：机器学习与经济学领域的专业师资也分布于其他一些大学，例如加州大学尔湾分校（Matthew Harding 及其深度数据实验室 Deep Data Lab）、布兰迪斯大学（Yinchu Zhu）、约翰霍普金斯大学（Nicholas Ginsberg）、西雅图大学（Misuk Lee） 和查普曼大学（Jonathan Hersh）。放眼全球，多伦多大学、伦敦政治经济学院（LSE）、剑桥大学、牛津大学以及苏黎世联邦理工学院（ETH Zurich）等机构在人工智能及相关的经济学研究方面也十分活跃。

8️⃣美国国家经济研究局（NBER）：NBER 本身并不授予学位，但它无疑是美国最前沿经济学研究最重要的研究与交流中心。许多将机器学习融入经济学的领军人物都是 NBER 的研究员（research associates）。NBER 发表的极具影响力的工作论文（working papers）系列，常常是新方法和新发现首次公开传播的重要载体。其年度夏季研讨会（summer institute）包含预测与实证方法、计量经济学、创新、数字经济学/人工智能等相关主题的工作坊，是该领域学者进行深入讨论和合作的重要平台。作为一个对人工智能相关经济学研究做出重要贡献的机构，NBER 本身也享有很高的学术声誉。

9️⃣大学附属研究中心：如前所述，大学内部设立的专门研究中心（例如，斯坦福的 SIEPR、HAI，芝加哥大学的 CAAI、DSI，耶鲁的考尔斯基金会，伯克利的 CEGA、计量经济学实验室，加州大学尔湾分校的深度数据实验室，以及 IDEAL 研究所、加州大学洛杉矶分校的 SCALE 实验室 等）为数据科学、人工智能、计量经济学和因果推断等领域的跨学科研究提供了关键的基础设施、资金支持和合作环境。

🔟国际研究中心：例如英国的阿兰·图灵研究所（Alan turing institute）及其设立的经济数据科学兴趣小组等组织，也在国际层面上积极促进经济学、统计学和计算机科学之间的跨界合作。

显而易见，该领域领先的研究人员和高水平的研究活动高度集中在美国少数几所顶尖大学（如斯坦福、MIT、哈佛、芝加哥、耶鲁、伯克利）。这些机构成功地汇集了经济学、统计学和计算机科学等关键学科领域的一流人才，并辅以必要的资源和完善的制度结构（例如专门的数据科学中心、与 NBER 的紧密联系等），从而在这个要求极高的跨学科前沿领域持续推动创新。

下面是32份机器学习与经济学交叉的重要前沿文献。只要熟悉了他们，你就是这个交叉领域最亮眼的学者了。

1. Athey, S., & Imbens, G. W. (2019). Machine Learning Methods That Economists Should Know About. Annual Review of Economics, 11, 685-725.
2. Athey, S., Tibshirani, J., & Wager, S. (2019). Generalized Random Forests. Annals of Statistics, 47(2), 1148-1178.
3. Chernozhukov, V., Chetverikov, D., Demirer, M., Duflo, E., Hansen, C., Newey, W., & Robins, J. (2018). Double/debiased machine learning for treatment and structural parameters. The Econometrics Journal, 21(1), C1-C68.
4. Dell, M. (2024). Deep Learning for Economists. NBER Working Paper 32768. (Forthcoming, Journal of Economic Literature).
5. Gu, S., Kelly, B., & Xiu, D. (2020). Empirical Asset Pricing via Machine Learning. Review of Financial Studies, 33(5), 2223-2273.
6. Kelly, B., & Xiu, D. (2023). Financial Machine Learning. Foundations and Trends® in Finance, 13(3-4), 205-363.
7. Ludwig, J., & Mullainathan, S. (2024). Machine Learning as a Tool for Hypothesis Generation. The Quarterly Journal of Economics, 139(2), 751-827.
8. Mullainathan, S., & Spiess, J. (2017). Machine Learning: An Applied Econometric Approach. Journal of Economic Perspectives, 31(2), 87-106.
9. Wager, S., & Athey, S. (2018). Estimation and Inference of Heterogeneous Treatment Effects using Random Forests. Journal of the American Statistical Association, 113(523), 1228-1242.
10. Machine Learning for Economics Research: When What and How? - arXiv,https://arxiv.org/abs/2304.00086
11. Big Data in Economics - Donald Bren School of Information and Computer Sciences,https://ics.uci.edu/~smyth/courses/stats5/onlineslides/Matt_Harding_BigData_IZA_final.pdf
12. The Impact of Machine Learning on Economics: What Machine Learning Can (and Cannot) Do for Economic Research | Chicago Policy Review,https://chicagopolicyreview.org/2019/01/21/the-impact-of-machine-learning-on-economics-what-machine-learning-can-and-cannot-do-for-economic-research/
13. The Impact of Machine Learning on Economics - NBER,https://www.nber.org/system/files/chapters/c14009/revisions/c14009.rev1.pdf
14. how do applied researchers use the causal forest? a - arXiv,https://arxiv.org/pdf/2404.13356
15. Dynamic Causal Forests, with an Application to Payroll Tax Incidence in Norway - NHH Open Access,https://openaccess.nhh.no/nhh-xmlui/bitstream/handle/11250/3074663/0923.pdf?sequence=1
16. Double debiased machine learning nonparametric inference with continuous treatments - IFS,
    https://ifs.org.uk/sites/default/files/output_url_files/CW5419-Double-debiased-machine-learning-nonparametric-inference-with-continuous-treatments.pdf
17. Generic Machine Learning Inference on Heterogeneous Treatment ... - NBER,https://www.nber.org/papers/w24678
18. An Introduction to Double/Debiased Machine Learning - ResearchGate,https://www.researchgate.net/publication/390748882_An_Introduction_to_DoubleDebiased_Machine_Learning
19. Estimating Causal Effects with Double Machine Learning - A Method Evaluation - arXiv,https://arxiv.org/html/2403.14385v1
20. Application of Double/Debiased Machine Learning - Erasmus University Thesis Repository,https://thesis.eur.nl/pub/43928
21. Estimating heterogeneous treatment effects with right-censored data via causal survival forests | Journal of the Royal Statistical Society Series B - Oxford Academic,https://academic.oup.com/jrsssb/article/85/2/179/7058918
22. Data Science in Finance: The Final Frontier? – Page 2 - CFA Society New York,https://cfany.org/data-science-in-finance-the-final-frontier/2/
23. Small Steps with Big Data: Using Machine Learning in Energy and Environmental Economics - EconPapers,https://econpapers.repec.org/RePEc:anr:reseco:v:13:y:2021:p:469-488
24. "Big Data in Economics" by Matthew Harding and Jonathan Hersh - Chapman University Digital Commons,https://digitalcommons.chapman.edu/economics_articles/202/
25. Causal forests with fixed effects for treatment effect heterogeneity in difference-in-differences - CPB.nl,https://www.cpb.nl/sites/default/files/omnidownload/CPB-Discussion-Paper-452-Causal-forests-with-fixed-effects-for-treatment-effect-heterogeneity-in-difference-in-differences.pdf
26. CERGE - EI Revisiting Treatment Effects with Causal Forests,https://www.cergeei.cz/pdf/master_theses/Master_Thesis_Bakirov.pdf
27. Estimating Treatment Effects with Causal Forests: An Application - Project MUSE,https://muse.jhu.edu/article/793356
28. Using Causal Forests to Predict Treatment Heterogeneity: An Application to Summer Jobs - AEAweb,https://www.aeaweb.org/articles?id=10.1257/aer.p20171000
29. Difference-in-Difference Causal Forests, with an Application to Payroll Tax Incidence in Norway - CESifo,https://www.cesifo.org/DocDL/cesifo1_wp10532.pdf
30. Using Machine Learning to Target Treatment: The Case of Household Energy Use - MIT CEEPR,
    https://ceepr.mit.edu/wp-content/uploads/2021/09/2020-001.pdf
31. The heterogeneous effects of default on investment: An application of causal forest in corporate finance - American Economic Association,https://www.aeaweb.org/conference/2022/preliminary/paper/sK3bSSD8
32. From Predictive Algorithms to Automatic Generation of Anomalies | NBER,https://www.nber.org/papers/w32422

关于机器学习，参看：1.机器学习之KNN分类算法介绍: Stata和R同步实现（附数据和代码），2.机器学习对经济学研究的影响研究进展综述，3.回顾与展望经济学研究中的机器学习，4.最新: 运用机器学习和合成控制法研究武汉封城对空气污染和健康的影响! 5.Top, 机器学习是一种应用的计量经济学方法, 不懂将来面临淘汰危险！6.Top前沿: 农业和应用经济学中的机器学习, 其与计量经济学的比较, 不读不懂你就out了！7.前沿: 机器学习在金融和能源经济领域的应用分类总结，8.机器学习方法出现在AER, JPE, QJE等顶刊上了！9.机器学习第一书, 数据挖掘, 推理和预测，10.从线性回归到机器学习, 一张图帮你文献综述，11.11种与机器学习相关的多元变量分析方法汇总，12.机器学习和大数据计量经济学, 你必须阅读一下这篇，13.机器学习与Econometrics的书籍推荐, 值得拥有的经典，14.机器学习在微观计量的应用最新趋势: 大数据和因果推断，15.R语言函数最全总结, 机器学习从这里出发，16.机器学习在微观计量的应用最新趋势: 回归模型，17.机器学习对计量经济学的影响, AEA年会独家报道，18.回归、分类与聚类：三大方向剖解机器学习算法的优缺点（附Python和R实现），19.关于机器学习的领悟与反思，

20. 机器学习，可异于数理统计，21.前沿: 比特币, 多少罪恶假汝之手? 机器学习测算加密货币资助的非法活动金额! 22.利用机器学习进行实证资产定价, 金融投资的前沿科学技术! 23.全面比较和概述运用机器学习模型进行时间序列预测的方法优劣！24.用合成控制法, 机器学习和面板数据模型开展政策评估的论文！25.更精确的因果效应识别: 基于机器学习的视角，26.一本最新因果推断书籍, 包括了机器学习因果推断方法, 学习主流和前沿方法，27.如何用机器学习在中国股市赚钱呢? 顶刊文章告诉你方法！28.机器学习和经济学, 技术革命正在改变经济社会和学术研究，29.世界计量经济学院士新作“大数据和机器学习对计量建模与统计推断的挑战与机遇”，30.机器学习已经与政策评估方法, 例如事件研究法结合起来识别政策因果效应了！31.重磅! 汉森教授又修订了风靡世界的“计量经济学”教材, 为博士生们增加了DID, RDD, 机器学习等全新内容！32.几张有趣的图片, 各种类型的经济学, 机器学习, 科学论文像什么样子？33.机器学习已经用于微观数据调查和构建指标了, 比较前沿！34.两诺奖得主谈计量经济学发展进化, 机器学习的影响, 如何合作推动新想法！35.前沿, 双重机器学习方法DML用于因果推断, 实现它的code是什么？