计量经济学中的目标定向方法，本文主要内容关键词为：学中论文,目标论文,方法论文,经济论文，此文献不代表本站观点，内容供学术参考，文章仅供参考阅读下载。
桑奎有 译
1／引言
人工智能已影响到了包括统计科学在内的许多领域。尽管这两大学科在许多方面互相渗透，但它可望影响统计实践的主要方面是通过对统计专家系统的作用来实现的，这些专家系统已被广泛地应用于统计学中，如：回归[Gale86]、数据分析[Dan86]、时间系列模型化[AIE88]等等。这些系统中的知识表现取决于按规则制定的系统。然而，这种表现有某些薄弱之处，因它不能处理复杂的问题。
在最近十年里，根据目标概念而有一种新的方法被提了出来，以后期望这种方法会丰富现有的表现方式。它包括把复杂的系统分解了称为“目标”的独立成份。个别的目标显示出简单的行为。复杂系统的行为是目标中信息传递（互相作用）的结果。除了那个著名的一个模型的结构（一套变量和一个干扰项）外，一个计量经济学模型被看作为一个复杂的系统，因为它一般会有更多的信息，这些信息关系到模型本身（构成这样一个模型的目的、结构关系等）、各种变量、数据以及所进行测量的物体。我们的目的在于把整个信息整合为一个统一的结构，以便为用户提供无障碍的指南并使分析能够有意义地得到管理。在本文中，我们提出一个目标定向的、以知识为基础的方法，来建构计量经济学的模型。本文分为三个部分：第二部分概括了目标定向的概念，第三部分提供了一个根据于混合知识表现的正式的计量经济学模型的目标定向表现，还对执行策略进行了一个简短的讨论。
2／目标定向的概念
目标定向法是一个独立于程序语言的概念过程。它是一种通过应用领域概念的使用而进行抽象的思考从而理解复杂的系统的方法。目标定向的意义在于：它可提供更好的概念和工具，来尽可能近地表现现实世界。这种直接表现能力在编程和模型制定中的优点是明显的。目标定向法中的基本概念是：目标、类别、信息传递、级、元素梯级和遗传。通过使用这些概念，这种目标定向法就综合适用了抽象、压缩、模块性和分层的原理，来掌握复杂性。
在目标定向的系统中，所有的现实实体都被当作目标看待。每个目标都有一个状态，它是为该目标所规定的品性的特殊值的集；还有行为，这是由一些达到和操纵该状态的方法所表现的。在一个目标中压缩的状态和行为仅仅能通过送到那个目标的信息来存取利用。具有共同特性的一组目标被称为一类。属于一类的目标被称为那个类的特例。
类别层次表现母类和子类之间的关系。它指出一个类与从中分化的一个类集之间的概括化、具体化的关系。母类含有所有子类共同有的特性，向每个子类都有一些自己特有的性能。通过遗传，层次中的一个类把所规定的知识和约束传递给所有的子类。遗传是通过类别层次的一个可再用性机制，因而，一个子类享有所有其母类而带来的特性。
抽象是人类应付复杂性所用的一个基本方法。它是抓住一个目标的基本特征的过程。压缩——也称为信息隐藏——通过把一个目标的与基本特性无关的所有细节藏起来而使复杂性更容易掌握。模块性提供一个把逻辑上相关的目标集中起来的方法。最后，通过识别目标的编序或分层，一个复杂的问题就可以被大大地简化。
3／计量经济学模型的目标定向表示
要想正式表示一个以知识为根据的系统中的描述性知识，一个中心问题就是如何选择知识表现计划（KRS）。计量经济学模型的复杂性使我们不得不采用一种目标定向的框架，而这种框架在以类别框架为基础的人工智能中是有广泛应用的。我们采用一种混合的表现法，它将框架表现和类别表现耦合到一起。因而，我们的框架中的一个框是由一套槽形成的。我们可以限定这些槽的特性，它们会被存在“子槽”中，而子槽是与所指定的槽的每一个相关的。子槽也被称为“小平面”。例如，我们可以规定一些程序，这些程序描绘一个槽的一个值如何被计算或当某个特定的槽被填满时该如何做。一个槽的描述可以被其他的小平面所完成，它们限制该槽的范围值或规定出推导这个值的方法。
由于空间局限，将只考虑一个线性回归模型。到其他模型的延伸是直接的。一个线性的模型被视为一个目标，它带有说明性的知识（变量、参数、统计数等）和程序性的知识（最小平方回归、工具性变量回归、脊回归……）。一套线性模型被视为一个类。属于一个类的目标被称为那个类的例子。在我们的上下文中，一个类被称为“线性回归”。如果我们研究一下这个类与其槽之间的关系。我们今导出这种关系是复合的，因为有些槽指的是其他的类，如“变量类”和“排列类”。
相似地，“排列类”具有子类所有的相同的品性和行为，如“方阵类”、“向量类”和“标量类”。一个方阵还可进一步被分为长方方阵和正方方阵上，向后者本身又可分为对称性方阵和非对称性方阵。这种化分的过程提供了一种方式，从而把各系统分解成容易理解的结构性模量。这个过程的反面被称为概括机制。通过概括，我们可以建立一个遗传结构，它在一个类从一个上类遗传下特性时就被称为简单的。否则，它被称为多重的。在我们的研究中，我们可以区分这两种遗传的方面。例如，一个相关的方阵从方阵中遗传其特性，因而也从“排列”中遗传。相反，一个变量的向量从两个上类中遗传特性，如“变量类”和“排列类”。
在一个回归模型中的另一个重要因素是一个数据集合。我们设计一个含有实际记录的数据的“数据类”。一定量的不同的“数据类”之例子构成一个数据集合。一个数据集合是一种特殊的集合。它包含将一个个别目标固定。相反，如果我们打算做一个多变量的分析，我们就必须固定一个变量例子，而且，我们把一个个别目标的集和数据例子与之相连系。一个数据集合具有一些允许与其内容作用的行为特点。它可达到关于个体、变量和它们所含有的数据的信息（自由存取它们）。还可能有这样一些信息，它们更合适地属于一个给定的数据集合，而非属于其构成要素的任何一个（例职：数据来源、数据收集方式，等）。
目标之间的交际模式就是信息传递。这里指的是：当一个信息被送到该目标时，就运用一种方法。信息传递的结果将是其他信息的一个乘积。例如，“增加变量”将会把其他一个信息送入“数据类”，以便创造一个带有一套数据的变量。它也将改变该目标的状态或创造另一个目标。
我们现在简要地讨论一下执行策略。混合系统的编程环境含有一套工具，它们使我们能够创造、完善、证实和使用一个知识基础系统。这样的环境包括：
一个显示该知识基础的图解界面，即遗传曲线；保持该知识基础的一贯性工具，以便显示出目标之间的互相作用及其关系，从而识别或删除多余的知识，等等[Nap92]。执行过程将用符号学Lisp机来实现，后者可提供象Fortrn·C和Pascrl这样的更传统的语言的编码器，还有一个界面，它可允许这些语言的程序被从Lisp机上叫出[Mac88]。结论：
本文中的讨论代表了一种应用目标定向法于计量经济学模型化中的研究工作的初步情况。本文的目的在于向计量经济学模型工作的用户证明这种目标定向的框架的有用性。
标签：计量经济学论文;