Предмет. Современное экономическое моделирование и проблема определения научного статуса моделей в условиях методологического разнообразия. Цели. Разработка универсального методологического стандарта для оценки научной строгости экономических моделей с использованием системы формальных предикатов. Методология. Использованы философско-методологический анализ, формальная логика предикатов и инструменты прикладной эконометрики. Предложена операционализация философских критериев научности через систему бинарных предикатов, каждый из которых связан с набором статистических и эконометрических тестов. Результаты. Сформулирован минимальный критерий научности, позволяющий отделить модели, удовлетворяющие базовым требованиям, от ненаучных. Разработана иерархия уровней научной строгости – от базового прогностического до интегрального. Проведена апробация на примере инновационных моделей (нейросетевых систем, ансамблей машинного обучения, агент-ориентированных подходов), выявившая их сильные и слабые стороны. Выводы. Предложенная система предикатов обеспечивает воспроизводимую классификацию экономических моделей, повышает прозрачность их сопоставления и определяет области оправданного применения. Результаты исследования могут быть использованы как в философско-методологической рефлексии, так и в практической оценке моделей для прогнозирования, анализа политики и управления рисками.
Popper K.R. The Logic of Scientific Discovery. New York, Basic Books, 1959, 479 p.
Eidlin F. The Deductive-Nomological Model of Explanation. In: Mills A.J., Durepos G., Wiebe E. (eds) Encyclopedia of Case Study Research. SAGE Publications, 2010.
Campos J., Ericsson N.R., Hendry D.F. Cointegration tests in the presence of structural breaks. Journal of Econometrics, 1996, vol. 70, iss. 1, pp. 187–220. DOI: 10.1016/0304-4076(94)01689-5
Morgan M.S. The World in the Model: How Economists Work and Think. Cambridge, Cambridge University Press, 2012, 421 p.
Grigoriadou V., Coutelieris F. Towards a categorization of scientific models. Logos Episteme, 2024, vol. 15, iss. 4, pp. 425–444. DOI: 10.5840/logos-episteme202415433
Kuorikoski J., Marchionni C. Economic models and their flexible interpretations: A philosophy of science perspective. Journal of Economic Methodology, 2024, vol. 31, iss. 4, pp. 241–248. DOI: 10.1080/1350178X.2024.2336048
Gilboa I., Postlewaite A., Samuelson L., Schmeidler D. Economic theories and their dueling interpretations. Journal of Economic Methodology, 2024, vol. 31, iss. 4, pp. 189–208. DOI: 10.1080/1350178X.2022.2142270
Sterrett S.G. Physical models and fundamental laws: Using one piece of the world to tell about another. Mind and Society, 2002, vol. 5, iss. 3, pp. 51–66. DOI: 10.1007/BF02511866
Петрунин Ю.Ю. Искусственные нейронные сети в экономике: математический инструмент, модель или методология? // Вестник Московского университета. Серия 6. Экономика. 2024. № 4. С. 92–113. DOI: 10.55959/MSU0130-0105-6-59-4-5 EDN: PVQWGD
Diebold F.X., Mariano R.S. Comparing predictive accuracy. Journal of Business & Economic Statistics, 1995, vol. 13, iss. 3, pp. 253–263. DOI: 10.1080/07350015.1995.10524599
Giacomini R., Rossi B. Forecast comparisons in unstable environments. Journal of Applied Econometrics, 2010, vol. 25, iss. 4, pp. 595–620. DOI: 10.1002/jae.1177
Canova F., Sala L. Back to square one: Identification issues in DSGE models. Journal of Monetary Economics, 2009, vol. 56, iss. 4, pp. 431–449. DOI: 10.1016/j.jmoneco.2009.03.014
Gneiting T., Raftery A.E. Strictly proper scoring rules, prediction, and estimation. Journal of the American Statistical Association, 2007, vol. 102, iss. 477, pp. 359–378. DOI: 10.1198/016214506000001437
Christensen G., Miguel E. Transparency, reproducibility, and the credibility of economics research. Journal of Economic Literature, 2018, vol. 56, iss. 3, pp. 920–980. DOI: 10.1257/jel.20171350
Leamer E.E. Tantalus on the road to asymptopia. Journal of Economic Perspectives, 2010, vol. 24, iss. 2, pp. 31–46. DOI: 10.1257/jep.24.2.31
Young C., Holsteen K. Model uncertainty and robustness: A computational framework for multimodel analysis. Sociological Methods & Research, 2017, vol. 46, iss. 1, pp. 3–40. DOI: 10.1177/0049124115610347
Camerer C.F., Dreber A., Holzmeister F. et al. Evaluating the replicability of social science experiments in Nature and Science between 2010 and 2015. Nature Human Behaviour, 2018, vol. 2, pp. 637–644. DOI: 10.1038/s41562-018-0399-z
Varian H.R. Big data: New tricks for econometrics. Journal of Economic Perspectives, 2014, vol. 28, iss. 2, pp. 3–28. DOI: 10.1257/jep.28.2.3
Mullainathan S., Spiess J. Machine learning: An applied econometric approach. Journal of Economic Perspectives, 2017, vol. 31, iss. 2, pp. 87–106. DOI: 10.1257/jep.31.2.87
Athey S.A. The impact of machine learning on economics. In: Agrawal A, Gans J, Goldfarb A. (eds) The Economics of Artificial Intelligence: an agenda. Cambridge, MA, National Bureau of Economic Research, 2018, pp. 507–547.
