AI經濟

當我們想知道資料特性或規律性時，傳統做法是根據統計學概念，認為資料=樣本，必然帶有母體特性。藉由資料找到母體參數即可確認母體特性，從而知道資料特性或規律性為何。 然而，受限在使用資料找到的母體參數卻是有限，例如，一定要找到一、二階動差，即平均數與變異數，如此就能配合樣本數找到極限分配，知道母體特性。在大數法則下，無論是p.或a.s.，都趨近為常態分配。 問題是多少資料點才能算大數？ 這如同我們在問大數據多少才算？ 如果4,000筆已經達到，那何必4,000,000,000筆資料。 這想法並非正確！ 因為每筆資料都有存在的意義，而且，大數據資料下，未必真成為常態分配或極限常態分配。 這點更明顯地顯示在時間序列資料，因為這種資料會破壞迴歸分析的三個基本假設： 常態分配 齊質變異數 兩兩無線性相關 為了解決這些問題，特別是像變數之走勢，無法用線性模式去估計的序列資料，計量經濟學發展出多種的檢定公式，檢定上面的三個基本假設，並且希望更能準確地找出資料問題，試圖解決。 縱使如此，我們卻發現 分配的檢定方法無法控制誤差，資料的殘差幾乎可以滿足常態分配 變異數的齊一性建立在線性迴歸上，誰能保證資料一定是線性，特別是工業工程。若是用非線性迴歸模型，或許變異數就齊質了。 架構在線性迴歸模型上，序列相關運用差分方式，試圖找出差分到幾階才能踢除序列相關。可是，差分後的資料，部分特性將會消失。 更有趣的是，Silverman (1985) 提出無母數版本的曲線配適法，觀察範例後可以發現其轉折點不能超過兩點，也可以從他的數學式看出，僅有二階微分。 Motulsky and Ransnas (1987) 則是提到需要資料點來自於常態分配(進入迴圈：如何確定資料點滿足常態分配)，以及非線性迴歸模型很容易經過多次的電腦運算後配適得到(問題：怎麼進行誤差控制？多次的運算需要多少次？)。 無論如何，使用曲線化線性模型或曲線配適法都是比線性迴歸模型來得好，特別是現在的經濟環境在科技進步到一定的程度後，必須提高精準度，才能夠突破現況。這不是工業4.0(要求精密)、金融3.0(要求跨平台與安全)，而是分析技術的創新與提升。 於是，我們需要更新兩個思維： 第一、一般而言，我們認為線性之外就是屬於變異(波動)。 圖片來源:http://stats.stackexchange.com/questions/1910...

2010年David Merkel在網路上寫了一篇文章「 Do Investors Prefer Negative Skewness? 」。他從經濟學的代理人問題模型與黑天鵝理論，提出投資人是偏好「負向偏態」(Negative skewedness)。在其中的一段文字敘述當中， It can be extremely difficult to ascertain the true distribution of an extremely negatively skewed bet from historical data. A long run without an observed loss makes us less confident about any initial negative thesis. This is also the primary explanation for why we prefer longshots in horse races or play the lottery. Merkel更從道德風險角度說明 the Great Moderation has been characterised by a Fed that is willing to cut interest rates at the smallest hint of trouble, even in situations where systemic risk was far from severe. 所以，Merkel認為 The moral hazard subsidy, the principal-agent problem and investor “irrationality” each incentivise economic actors to take on considerably negatively skewed bets. 以及 Assessing the relative contributions of each from historical market data is extremely difficult given that there is no plausible way to separate the e...

我國汽油的訂價策略是根據每週原油價格加權指數的變化，此指數包括70%的杜拜原油與30%的布蘭特原油。 若不考慮原油價格，純粹就95汽油的訂價來看，從CMoney資料庫內，選擇自2000年1月3日到2015年12月31日的日資料視為母體資料，進行強大數法則(SLLN)規則控制誤差，由資料展現出分配函數。 95油價機率函數 上圖的第一圖為機率密度函數，第二圖則為累積機率密度函數。其中，最低的95油價為15.6655元，而最貴的95油價為33.7745元 由於我國對汽油價格嚴格管制，2008年中華民國消費者文教基金會針對我國油價不透明的浮動油價機制提出質疑。可到了 2012 年，中油說明虧損嚴重的原因之一就是國際油價上漲與政府管制所致。另外，曾志超( 2011 )提到台灣油價未完全反映成本，凍漲反而造成成本分攤不均問題。特別是在春節前後，政府為了討好選民就會運用油價凍漲的政策( 2014 , 2015 )。 眾多的新聞內容再再說明我國對汽油價格的嚴格管制，然而，上述所言之新聞並沒有辦法提出有效的證據來證實我國對汽油價格管制之嚴格程度。因此，上圖可發現，我國95油價會有特別常出現的油價，28.1325元。有多常出現呢？圖形顯示45.9159%的經常性出現28.1325元價位。 你可能懷疑，45.9159%，這樣的出現機率算是很高嗎？ 布蘭特原油現貨價機率函數 看看，上圖的布蘭特原油價格的機率密度函數，最常出現價位的機率也僅有2.9996%而已。這也難怪我國國民對於油價訂價公式的不理解。因為95油價的機率密度函數最常出現價位之機率太高了，若真的是依照浮動油價公式定價，那麼在公告前一定還會有微調，使得95油價常可維持在同一個價位。當然這也有可能是因為遠期期貨契約的因素所致。 透過大數據分析，可以很明顯地看出我國95油價的特性。 詳情可參考 李玫郁 、李堯賢、林哲揚，2016，「國際油價與中油油品價格之大數據特徵分析」，台灣銀行季刊，67(2)，53-78.

絕對利益與比較利益觀念在台灣已經深耕到國小的課本上，連段考或測驗也都出現。不過， 貿易戰爭 這部影片倒是提供了絕對利益與比較利益的歷史基礎。 在這樣的歷史背景、重商主義與貿易限制的做法後，英國的工業革命帶來了巨量的產能，同時也產生了供給過剩，在這樣的時代背景下，亞當斯密提出絕對利益觀念。 自由貿易是亞當斯密的主要思想論點，而絕對利益是他的理論與實務證據。他認為在各國給定的資源用盡後，所能生產的最大產量下，兩商品產量比較，決定由哪國生產並出口。 簡單來說就是，資源全數使用在特定的商品，生產出的最大產量後，進行跨國比較，誰生產得多，誰就可以生產並出口該項商品。 A欄為國家別，B欄為商品X，C欄為商品Y。給定本國的資源有9工時，外國資源有3工時。 將工時轉換成商品產量後，本國的資源全數用於商品X，可生產出1單位商品X；若將資源全數用於商品Y，則可生產1.13單位商品Y。同樣地，外國資源全數用於商品X，可生產出1.5單位商品X；若將資源全數用於商品Y，可生產出1單位商品Y。 由B欄商品X，進行跨國比較，可以得到本國的1單位 < 外國的1.5單位，所以，外國在商品X生產上具有絕對利益。 由C欄商品Y，進行跨國比較，可以得到本國的1.13單位 > 外國的1單位，所以，本國在商品Y生產上具有絕對利益。 這時候，兩國生產不同商品，進行交易，皆有所獲益。但是，事無絕對！ 如果，本國的資源就是相對外國豐富，即使本國生產每種商品都需要耗費相對多的工時，本國仍然在兩種商品的產量上比外國還要來得多。 根據亞當斯密的絕對利益原則，這時候，兩種商品都是本國生產並出口，對外國來說，一點好處都沒有。也就是說，外國沒有任何收入可言，如何能夠購買本國的兩種商品呢？這時候，並不會有任何交易發生！ 事實上，本國與外國還是進行交易，這是為什麼呢？ 於是，李嘉圖觀察後，提出另一種看法。他認為不要直接用特定商品種類為基礎，直接進行產量的跨國比較，而該採取兩階段的做法。 所謂兩階段是指 在國內進行不同商品的產量比較 亞當斯密的產量比較，改為同一商品數量下，放棄的另一商品數量進行比較 所謂第一階段的國內不同商品產量比較是指 所有資源使用在商品X上，本國可生產出4單位；使用在商品Y上，本國可生產出4.5單位。所以，本國若選擇生產4單位商品X，就要放棄生產4.5單位商品Y。換言之，本國若生產1單位商品X，就要...

【情境】 過去醫療服務市場上，醫師需要等待護士將紙本病歷拿來後，方能記錄，後來健保制度開始，採行電腦連線，以及中華電信鋪設網路纜線的頻寬足夠後，讓醫師不需要時間等待，改變了醫療服務市場的經營模式。而網路的技術帶來了時間節省，可以讓醫師服務更多病患。 我們在A欄設定可能之價格(掛號費)，由150元至600元。 假設醫師懸壺濟世，即使沒有任何價格下，仍願意進行3單位的醫療服務。如果能夠節省時間下來，那麼更願意進行7單位的醫療服務。當然，如果可以收費，那麼更願意多提供醫療服務單位數。於是，我們假設價格多1元，醫師都願意額外提供0.01單位的醫療服務。 B欄設定為沒有網路技術時的醫療服務供給量，C欄則設定為有網路技術時的醫療服務供給量。根據供給量的定義，給予方程式 供給量 = a + b * 價格 進行計算，可得到B與C欄的供給量數字。接著，我們在繪製出圖形，就可發現 當網路技術引入醫療服務後，節省護士尋找紙本病歷的時間，病患只要進入診療室內，取出健保卡給醫師，醫師即可讀取到病患過去的醫療狀況，同時也可以形成電子病歷，加速縮短診療確診所需時間，讓醫師可以提供更多醫療服務。 所以，在圖形上就呈現出供給增加的結果。 另外，會影響醫療服務供給的因素，除了技術進步外，還有衛材價格下降、其他項目獲得健保補助金額下降、預期未來醫療服務會被管制更為嚴苛等都會讓醫療服務供給增加。

由於市場上最重要的兩個指標就是價量指標，但是，兩個指標卻無法同時控制，因此，我們必須將其中一個指標讓給買方或賣方來決定。 從基礎經濟學角度，對買賣雙方的基本決策定義，只有一個，那就是數量。 下圖當中，中間為市場，當中會出現價格指標(於縱軸)以及數量指標(於水平軸)。我們只有一個定義，那就是市場調查時，問 買方：你要買多少？ 賣方：你要賣多少？ 若要形成定義，絕不能只是這樣詢問，所以我們需要給予情境，因此，在數量定義前，需要三個條件： 一段時間內：要清楚說出是每日、每週、每月、每季，還是每年 其他條件不變：影響買賣雙方的非價格條件不同，所以寫在圖形的上方，代表是共同影響因素，只是左右開展出去，左邊為買方的非價格影響條件，右邊則是賣方的非價格影響條件 告知價格水準：同樣一種商品在市場上可能會有不同的價格，所以，全部都要詢問 此時，買賣雙方才能被詢問上面的問題。再詢問後，我們記錄下他們所說的數量，然後再加總起來，如此就是市場的供給量或需求量。 當條件還沒被打破前，價量之間的關係就會因為買賣雙方行為而有不同。 左邊的買方遇到價格飆漲時，會因為嫌貴而減少購買，此時，需求量減少。若出現跌價情況，買方覺得便宜而增加購買，此時，需求量增加。 這就是 需求法則 (Law of Demand)。反映在需求線上就是 點在線上移動 ，亦即點a移動到點b。 右邊的賣方遇到價格飆漲時，會因為單價多賺而增加生產(或販售)，此時，供給量增加。若出現跌價情況，賣方覺得成本無法回收而減少生產(或販售)，此時，供給量減少。 這點在高麗菜與豬肉市場非常明顯。可惜的是，這兩種商品都是需要等候時間才能販賣，因此，才會有穀賤傷農的情形發生。 --- 若條件被打破，也就是控制情境的其他條件可以改變，那麼市場上的買賣雙方就會有不同的反應。 在面對所有的價格水準都會發生這樣的事情!! 左邊的買方會因為廣告改變偏好、所得增加(剛好商品是正常財，愈多愈好)、其他商品價格提高(類似的商品價格比較貴)、未來商品會變貴，而增加購買商品數量。因此，在原本的需求線(D0)上的任何一點都會向右移動，代表購買的數量增加。這稱為 需求增加 (Increase in Demand)。 如果是發生偏好改變不愛這商品(例如：有毒)、所得減少(商品是正常財)、其他商品價格下降與未來商品變便宜，那麼無論在任何的價格水準下，買方就會減少購買商品數...

甚麼叫做需求改變呢？ 根據需求量的定義(可參考 需求 )來看，前提有三個條件，其中，第二個條件放寬後，就是需求改變了。 給與一個情境來看(表1與表2)，過去到診所看病的掛號費約500元，有健保後掛號費降到150元，對醫療服務市場來說，市場的需求量由每月平均看病1次改為每月平均看病5.5次，這代表點在線上移動，也就是符合需求法則。 表1 醫療服務市場需求表 對於參數的設定上，表2說明當沒有普及保健知識時，免費的醫療服務需求量是每月平均7次。若需要支付掛號費，每增加1元掛號費，消費者會減少0.01單位的醫療服務需求量。 如果普及保健知識後，我們認為消費者對醫療服務需求量不受到掛號費影響，直接減少1次，所以截距為6。但實際上，普及保健知識後，醫療服務需求量的截距可以是介於6至7之間。 表2  表1的參數設定 從圖1的需求線來看，由表1的第1與2欄畫出的藍色線的兩端點就是掛號費為600元與150元。所以情境所說的就是從左上端點移動到右下的端點位置。 如果台灣將保健知識足夠普及，讓民眾了解看病是有需要才看病，有些小徵狀可以自己透過保健就可療癒。例如，受涼感冒時，應多喝溫熱開水，避免再次受涼，或是喝高劑量的維他命C水，增強體內的防禦機制，讓身體快快擊敗感冒病毒。 圖1 醫療服務市場需求圖(改變截距) 於是，在所有的掛號費下，民眾就會減少對醫療服務的需求量，一些小病也會轉為自癒的方式，讓身體自然而然地擊敗病毒。 這時候，圖1發生了 需求減少 。 從需求量的定義來看，對應圖形上，需求線是往左移動。所以，我們不使用說「需求線往下移動」的說詞。 再給與另一個情境，那就是普及保健知識後是從價格去影響消費者對醫療服務的需求量，所以參數設定就改為 表3 普及保健知識後的參數 此時，多增加1元掛號費，會減少0.011單位的醫療服務需求量，於是繪製圖形後，同樣新的需求線 (橘線) 在舊需求線 (藍線) 的左邊，也是需求減少的現象。 圖2 醫療服務市場需求圖(改變斜率) 但是，讓我們來說一個特例吧。 如果將表3的斜率參數改為 - 0.001，那麼新的需求線將會在舊需求線的右邊，產生 需求增加 。 這是因為斜率 - 0.001 代表當掛號費增加1元時，消費者對醫療服務需求量減少0.001單位。換言之，普及保健知識的內容可能是告訴消費者要定期洗牙的觀念或是定期乳房檢查的觀念，讓消費者對醫療服務...