Jeg tror folk assosierer kriminalitet med urbane rom fordi de intuitivt forbryter per kvadratkilometer, ikke kriminalitet per innbygger. Tenk på måtene vi snakker om kriminalitet på i form av «et mord i denne gaten» eller «gikk forbi en innbrutt bil». Derimot kan vi ikke lett normalisere etter befolkning

På dette tidspunktet er jeg tilbøyelig til å lure på - hva som ikke fører forgiftning påvirker?

Gled deg til de nye artiklene om forbigående hetesjokk driver stemmegivning for ytre høyre i Frankrike neste gang

Jeg er på det juridiske akademiske arbeidsmarkedet! Jobboppgaven min handler om hvordan domstoler i skatte-, selskaps- og konkursrettslige sfærer verdsetter forretningsinteresser systematisk forskjellig, slik at den samme eiendelen er "verdt" forskjellige mengder penger avhengig av den materielle underliggende loven.

🙌🙌 Data om hver distriktsgrenseendring i India siden 1951? Ja takk! Lenke som svar

Litteraturen om etniske pogromer og opptøyer fokuserer på mange tverrsnittsprediktorer for vold; Men det langt mer interessante spørsmålet er hva som forklarer tidsserievariasjonen

Dette er en fin måte å formulere det på. AI cap ex fortrenger realøkonomien (spesielt boliger).

OPPSKYTNINGSSEKVENSEN En ny samling av 16 essays om hvordan man kan akselerere AI for vitenskap og sikkerhet: AI-revolusjonen gir allerede enorme forbrukerfordeler. Men AI-fremgang vil ikke automatisk løse menneskehetens viktigste problemer først. For å få den fremtiden vi ønsker, må vi forme banen for AI-fremgang. Denne serien er et skritt mot den fremtiden ...

Hvis forekomsten av tariffer for det meste faller på innenlandske firmaer i stedet for forbrukere til slutt (hvem vet, alt kan endres), tyder det på en helt annen skatteforekomst enn det som har blitt modellert så langt. Spesielt mer progressive

Jeg blir ofte spurt: Hvor gjør dyp læring en reell forskjell i våre beregningsevner innen økonomi? Mitt svar? Ved å løse integrerte vurderingsmodeller (IAM) av klimaendringer. I denne klassen av modeller ønsker vi å forstå tilbakemeldingssløyfen mellom makro og klima. Dette er et ekstremt komplisert beregningsproblem fordi: 1️⃣ Den er ikke-stasjonær. 2️⃣ Den er svært ikke-lineær. 3️⃣ Den er svært dimensjonal. På grunn av disse tre grunnene har mange IAM-er overforenklet problemet eller ignorert viktige økonomiske mekanismer. I en nylig artikkel publisert for noen dager siden, Climate Change Through the Lens of Macroeconomic Modeling, viser Kenneth Gillingham, @comp_simon, og jeg hvordan man kan bruke dyp læring for å løse mye mer sofistikerte IAM-er. Du kan lese artikkelen her: Mer spesifikt viser vi hvordan dyp læring øker nøyaktigheten til løsningene våre og relevansen av politiske funn: 1️⃣ Dyp læring kan håndtere ikke-stasjonariteter. 2️⃣ Dyp læring kan håndtere ikke-lineariteter. 3️⃣ Dyp læring kan håndtere høydimensjonale problemer. Her er det helt klart en åpen mulighet for mye oppfølgingsarbeid. Dette er imidlertid et område som økonomifaget ikke er godt egnet for. For å oppfylle løftet krever denne typen forskning team på minst et halvt dusin forskere (fra eksperter på datahåndtering til klimaforskere til kodere til makroøkonomer), og vi har ikke den institusjonelle strukturen for slikt samarbeid. De fleste artikler i økonomi er medforfattere av ad hoc-team av forskere, og stipender gir vanligvis bare noen få års støtte, noe som ikke gir mulighet for kontinuitet i teamene og investering i de nødvendige kampspesifikke ferdighetene. Poenget går utover IAM-er. Etter hvert som vi blir et mer kvantitativt og datadrevet felt, krever mange forskningsprosjekter (men ikke alle) et mer strukturert laboratoriemiljø som ligner på naturvitenskapene, og vi har ikke funnet ut hvordan vi skal oppnå det. Forhåpentligvis vil yrket gjøre fremskritt på denne fronten i løpet av de neste årene.