The Virgin Non-Parametric Regression vs The Chad Linear Regression

На изображении представлен классический формат мема "Virgin vs Chad", адаптированный для сравнения двух статистических методов: "The Virgin Non-Parametric Regression" (Вирджин Непараметрическая Регрессия) и "The Chad Linear Regression" (Чад Линейная Регрессия). Слева изображен "Вирджин" в виде размытых, сложных графиков, с множеством недостатков, таких как высокая вычислительная сложность, зависимость от гиперпараметров и общая неэффективность. "Вирджин Непараметрическая Регрессия" требует тонны наблюдений для сходимости, имеет ужасно неэффективные реализации, медленнее чем Crysis на Pentium III и страдает "ужасной смертью от 10 регрессоров из проклятия размерности". Справа изображен "Чад" в виде четкой, прямолинейной регрессии, демонстрирующий все преимущества линейной регрессии: она работает в один шаг без тонкой настройки, может быть вычислена на бумаге и карандашом, оптимизирована до Луны и дальше в библиотеках линейной алгебры и дает "приятную, четкую интерпретацию, которую поймет любая бабушка". "Чад Линейная Регрессия" может обрабатывать сотни регрессоров с легкостью, встроена в любое программное обеспечение и дает тот же последовательный результат в R, STATA, SAS, SPSS, Excel и самодельных онлайн-калькуляторах.

The virgin non-parametric regression. Requires a tonne of observations for convergence. Heavily depends on hyper-parameters that must be chosen optimally. Choice of hyper-parameters needs orders of magnitude more computational power. Does not have a closed-form solution. Terribly inefficient, high-level implementations are slower than Crysis on Pentium III. Dies a horrible death with 10 regressors from the curse of dimensionality. Conditions yielding normality of the estimator are hard to verify. Fails miserably in regions of low density of explanatory variables. Convergence so poor, has to be injected with parametric assumptions or index restrictions. Even bootstrapped confidence intervals are not trusted at first glance. Computationally intensive, makes 2019 computers bleed. Does not have a clear notion of efficient estimation. Even after estimation, partial effects require extra computation. Is rarely used in applied economic analysis. Impossible to find simple instructions for inference. Most courses spend hours just to get to Parzen-Rozenblatt, Nadaraya-Watson, maybe LOESS, and then stop. Implementations vary widely in software, some kernels have different scaling factors. Behaves like a spoiled brat at boundaries, requires correction. The chad linear regression. With 20 data points, ends up being published in top macroeconomic journals. Works in one step without fine-tuning. Can be computed analytically with paper and pencil. Optimised to the moon and beyond in linear algebra libraries. Can handle hundreds of regressors with ease. Built in every software package that can handle numbers. Could not care less about error distribution, ends up being normal anyway. No one bats an eye when parametric assumptions are violated. The support of explanatory variables does not matter. No questions asked with robust standard errors. Inference can be done with one subtraction and one division by a toddler. Gives a nice, clean interpretation any grandma can comprehend. Constant partial effect across the entire support. Lots of online tutorials about versatile extensions accessible to beginners. Gives the same consistent result in R, STATA, SAS, SPSS, Excel, and makeshift online 'calculators'. Can account for arbitrary non-linearity by including functions of regressors, remains analytical.