大型语言模型的通胀态度

本文考察了大型语言模型 (LLM)，具体为 GPT-3.5-turbo (GPT)，是否能够基于宏观经济价格信号形成通胀感知与预期。我们将 GPT 的输出与家庭调查数据和官方统计数据进行比较，模拟银行国英国通胀态度调查 (IAS) 的信息集合和人口特征。我们的准实验设计利用 GPT 训练截止日期为 2021 年 9 月的时点，这意味着它不了解随后的英国通胀激增。我们发现 GPT 在短期范围内跟踪 aggregate 调查预测和官方统计数据。在细分层面，GPT 复制了家庭通胀感知的关键实证常规，尤其是收入、房屋租赁和社会阶层。一种 novel 的 Shapley 值分解方法适用于合成调查场景，提供了关于模型输出驱动因素（与提示内容相关）的明确见解。我们发现 GPT 对食品通胀信息的敏感性较高，类似于人类受访者的反应。然而，我们也发现它缺乏对消费者价格通胀的一致模型。更广泛地说，我们的方法可用于评估 LLM 在社会科学中的行为，用于比较不同模型，或用于辅助调查设计。