电梯游说
更大的数据量和更高的频率往往意味着更大的个性化信息集。例如，家庭中的智能传感器收集的数据或推特上的推特聚合。在小数据集中，传统的计量经济学方法往往优于更复杂的技术。然而，在大数据集中，机器学习方法大放异彩。需要新的分析方法来充分利用经济学中的大数据。因此，研究人员和决策者如果想充分利用这些新的大数据来源，就应该密切关注机器学习技术的最新发展。
重要发现
赞成的意见
现在有了复杂的数据，其特点是量大、速度快、品种多样，并且能够将许多数据集连接在一起。
来自机器学习的强大的新分析技术正日益成为主流计量经济学工具箱的一部分。
大数据可以更好地预测经济现象，并改进因果推理。
机器学习技术允许研究人员创建简单的模型来描述非常大、复杂的数据集。
机器学习方法和大数据也允许对关系进行复杂建模，预测远超过样本。
欺骗
基于大数据的预测可能会涉及隐私问题。
机器学习方法是计算密集型的，可能没有唯一的解决方案，并且可能需要高度微调以获得最佳性能。
收集和存储大数据的成本很高，分析大数据需要在技术和人力上进行投资。
大数据可能会受到选择偏差的影响，这取决于数据的生成方式和生成者。
获取这些数据可能需要与限制研究人员自由的公司合作。