Perché i ricercatori in economia usano la regressione lineare per le variabili di risposta binaria?

Ultimamente, ho dovuto leggere diversi articoli in economia (un campo che non conosco troppo). Una cosa che ho notato è che anche quando la variabile di risposta è binaria, i modelli di regressione lineare montati utilizzando OLS sono onnipresenti. La mia domanda è quindi:

Perché la regressione lineare è favorita, ad esempio, dalla regressione logistica nel campo dell'economia? È semplicemente una pratica comune o è una procedura che è attivamente sostenuta (nei documenti, dagli insegnanti, ecc.)?

Si noti che non sto chiedendo perché utilizzare la regressione lineare con una risposta binaria possa essere una cattiva idea o quali siano i metodi alternativi. Al contrario, mi chiedo perché le persone usano la regressione lineare in questa impostazione perché conosco le risposte a queste due domande.

Questo post sul blog sul blog di econometria di Dave Giles delinea principalmente gli svantaggi del Linear Probability Model (LPM).

Tuttavia , include un breve elenco di motivi cui i ricercatori scelgono di usarlo:

• È più semplice dal punto di vista computazionale.
• È più facile interpretare gli "effetti marginali".
• Evita il rischio di errata specificazione della "funzione di collegamento".
• Ci sono complicazioni con Logit o Probit se si hanno regressori fittizi endogeni.
• Gli effetti marginali stimati dai modelli LPM, Logit e Probit sono in genere molto simili, soprattutto se si dispone di un campione di grandi dimensioni.

Non so che l'LPM è tutto quello comunemente usato rispetto al logit o al probit, ma alcuni di questi motivi sopra riportati sono sensati per me.

Ho avuto domande simili quando ho letto documenti di altri documenti. E ho posto molte domande relative a questo, come questo nella community Education Data Mining: Perché usare la perdita quadrata sulle probabilità invece della perdita logistica?

Qui presenterò molte opinioni personali.

Sento che la funzione di perdita non conta troppo in molti casi di utilizzo pratico. Alcuni ricercatori potrebbero sapere di più sulla perdita quadrata e costruirne un sistema, funziona ancora e risolve i problemi del mondo reale. I ricercatori potrebbero non conoscere mai la perdita logistica o la perdita dei cardini e vogliono provarla. Inoltre, potrebbero non essere interessati a trovare il modello matematico ottimale, ma vogliono risolvere problemi reali che nessuno ha mai tentato di risolvere prima.

Questo è un altro esempio: se controlli questa risposta alla mia domanda, sono tutti simili. Quali sono gli impatti della scelta delle diverse funzioni di perdita nella classificazione per approssimare la perdita 0-1

Altre riflessioni: una ricerca sull'apprendimento automatico può dedicare molto tempo a quale modello scegliere e come ottimizzare il modello. Questo perché un ricercatore di machine learning potrebbe non essere in grado di raccogliere più dati / ottenere più misure. E il lavoro di un ricercatore di machine learning sta migliorando la matematica, non risolvendo meglio uno specifico problema del mondo reale.

D'altra parte, nel mondo reale, se i dati sono migliori, batte ogni cosa. Quindi, la scelta della rete neurale o della foresta casuale potrebbe non importare troppo. Tutti questi modelli sono simili a quelli che una persona desidera utilizzare l'apprendimento automatico come strumento per risolvere i problemi del mondo reale. Una persona non interessata allo sviluppo di matematica o strumenti può dedicare più tempo all'utilizzo di conoscenze di dominio specifiche per migliorare il sistema.

Come ho già detto nel commento. E se uno è sciatto con la matematica, sarà ancora in grado di costruire qualcosa che funzioni.