《Machine Learning: An Applied Econometric Approach》的文章摘要，并对文章提出的动机，相关的工作，方法，具体实现和实验结果等进行介绍。

《Machine Learning: An Applied Econometric Approach》是由Sendhil Mullainathan和Jann Spiess撰写的一篇关于机器学习在计量经济学中应用的文章。该文章发表于2017年春季的《Journal of Economic Perspectives》杂志上，卷31，第2期，页面87-1067914。

文章摘要

文章的摘要指出，机器正在越来越多地执行“智能”任务，例如面部识别算法使用大型数据集来识别面孔。文章讨论了机器学习在经济学和计量经济学中的相关性，并提出了机器学习与传统计量经济学和统计学文献在目标、方法和设置上的差异1012。

动机

文章的动机在于展示机器学习如何为经济学提供新的工具，并解决不同的问题。作者强调，机器学习围绕预测问题展开，而许多经济应用则围绕参数估计问题38。

相关工作

文章提到了Belloni, Chernozhukov, 和 Hanson (2014)的工作，他们全面介绍了如何在高维数据中使用LASSO（最小绝对值收缩和选择算子）进行推断。Athey (2015)则提供了机器学习与因果推断关系的简要概述616。

方法

文章介绍了机器学习在计量经济学中的应用方法，包括从线性最小二乘法到回归树的转变，以及如何使用计量经济学的指导来量化预测性能20。

具体实现

文章中提到了一个预测函数的例子，该函数以树的形式呈现，在每个节点上分裂为两个分支。在树的每个节点上，一个单一变量的值（比如，浴室的数量）决定了接下来考虑的是左子节点（少于两个浴室）还是右子节点（两个或更多浴室）4。

实验结果

尽管文章的摘要和引用中没有直接提到具体的实验结果，但可以推断，文章可能包含了对机器学习在经济数据预测中效果的讨论和评估。

结论

文章的关键在于强调机器学习可以增强经济学研究，提供新的工具和解决不同的问题，但要有效地应用它们，需要找到相关的任务并理解它们的工作原理19。

这篇文章为经济学者提供了一个将机器学习技术应用于经验计量经济学问题的框架，并在理论和实践上扩展了计量经济学的工具箱15。