使用机器学习方法开发理论-研究论文

我们描述了如何在理论开发中使用机器学习 (ML) 方法。 与传统的因果推理方法相比，ML 方法对最能代表数据的底层模型的函数形式做出的先验假设要少得多。 鉴于此，研究人员可以使用此类方法来探索数据中可能导致归纳理论构建的新颖而稳健的模式。 ML 的优势包括对数据中新模式的可复制识别。 此外，ML 方法解决了学者提出的与战略和管理领域的实证研究规范相关的几个问题（例如“p-hacking”和混淆局部影响对全局影响）。 我们制定了一个分步路线图，说明如何使用四种 ML 方法（决策树、随机森林、K-最近邻和神经网络）来揭示可用于理论构建的数据模式。 我们还说明了相对于传统方法，ML 方法如何更好地阐明交互和非线性效应。 总之，ML 方法可以作为现有归纳理论创建方法（例如多案例归纳研究）和传统因果推理方法的补充工具。