Apr, 2024

分析美洲经济趋同：以人均 GDP 轨迹的生存分析方法

PDF
TL;DR整合生存分析、机器学习算法和经济解释，本研究通过比较分析，考察了在 120 个月（2013-2022 年）的时间范围内实现购买力平价调整后 GDP 人均增长 5% 所关联的时序动态。结果发现 DeepSurv 在捕捉非线性交互方面表现良好，但在某些情况下，标准模型也具有可比较的性能。权重矩阵用于评估脆弱性、风险和能力的经济影响。为实现 GDP 人均目标，研究结果强调需要平衡风险承担、战略性脆弱性减少和对政府能力和社会凝聚力的投资。政策指南推广个性化方法，在决策时考虑到复杂的动态影响。
survival analysismachine learning algorithmstemporal dynamicspurchasing power parity-adjusted gdp per capitaeconomic interpretation
发现论文，激发创造
  • 递归深度学习框架用于预测未来十年的世界经济展望

    本研究采用深度学习方法，通过比较多种深度学习模型（LSTM, BD-LSTM, ED-LSTM 和 CNN）及传统时间序列模型（ARIMA,VAR）预测未来十年全球经济的 GDP 增长率，预测结果显示中国、法国和印度的 GDP 将会保持稳定或增长，而其他大多数发达国家和新兴市场经济体的经济增长将会放缓、停滞甚至衰退。其中，ED-LSTM 模型预测效果最佳。

    Jan, 2023

  • 利用深度学习、机器学习和统计方法进行生存分析：预测住院后死亡的比较分析

    应用不同的生存分析方法比较其性能，结果表明深度学习（DeepSurv）在歧视度和校准性方面表现最佳，而 AutoScore-Survival 则通过最小变量集实现了较好的性能和解释性。

    Mar, 2024

  • 机器学习与经济预测：国际贸易网络的作用

    本研究研究了反全球化趋势对国际贸易网络的影响以及它们在提高经济增长预测方面所起的作用。通过使用 2010 年至 2022 年来自近 200 个国家的部门级贸易数据，我们确定了由不断上升的贸易政策不确定性所推动的网络拓扑结构的显著变化。我们的分析突出了重要的全球参与者，通过中心性排名，美国、中国和德国一直保持着持续的主导地位。使用一系列有监督回归模型的竞赛，我们发现从部门特定贸易网络中评估的网络拓扑描述符极大地提高了国家 GDP 增长预测的质量。我们还发现非线性模型，如随机森林 (Random Forest)、XGBoost 和 LightGBM，优于经济文献中使用的传统线性模型。使用 SHAP 值解释这些非线性模型的预测时，我们发现大约一半的最重要特征源于网络描述符，强调了它们在改进预测中的重要作用。此外，本研究强调了近期经济表现、人口增长和初级产业的影响在塑造经济增长预测中的意义，为经济增长预测的复杂性提供了新的见解。

    Apr, 2024

  • 沿着共享的社会经济发展路径监测可持续全球发展

    可持续全球发展是当前世界面临的最主要挑战之一，平衡社会经济增长与环境可持续性，我们提出了一种监测和量化共享社会经济路径（SSPs）上可持续发展的方法，包括数学推导的评分算法和机器学习方法，将社会经济和环境数据整合以产生可解释的 SSP 对齐度量。初步研究展示了有希望的结果，为应用不同方法监测可持续全球发展奠定了基础。

    Dec, 2023

  • 一种用于量化卫星图像中经济增长的动态网络和表示学习方法

    提出了一种基于网络科学和表示学习的方法，利用高分辨率夜间卫星图像创建动态网络来量化经济指标和可视化各个地区的增长，预测大区域的空间经济支出，捕捉城市增长和人民生活水平变化的趋势，更好地帮助决策者理解增长。

    Dec, 2018

  • 深度生存分析

    本研究旨在探讨电子健康档案 (EHR) 的生存分析问题，提出了一种新的 Hierarchical generative 方法称为 Deep survival analysis，该方法可显著优于使用临床验证的 Framingham CHD 风险评分来区分患者按照冠心病风险的风险等级，同时可扩展处理 EHR 中出现的异构（连续和离散）数据类型。

    Aug, 2016

  • 为印度农村滞后地区的贫困估计和生计能力学习和推理多方面和长期数据

    本文旨在研究 1990-2022 年间印度农村地区的贫困情况，使用生活质量和生计指标将地区分为 “先进”、“赶超”、“落后” 和 “滞后”，整合各种数据来源分析贫困情况，尤其针对性地关注弱势人群以减少不平等现象。

    Apr, 2023

  • 利用多模态数据推断贫困地图解释财富分布

    该研究利用卫星图像和在线群众采集与社交媒体数据，运用机器学习方法，建立了可预测多个具有地理聚集特征的人口聚居地财富平均数和标准差的模型，并在塞拉利昂和乌干达进行了验证和性能比较，揭示元数据对农村区域财富预测有更好的表现。该方法不仅能恢复本地财富的平均数和变异性，还能捕捉它们之间的正相关性，具有一定的可迁移性和可解释性。

    Feb, 2023

  • 机器学习算法预测马达加斯加实际国内生产总值

    研究探讨不同机器学习算法在现在预测马达加斯加国内生产总值 (GDP) 方面的预测能力。我们使用 10 个马达加斯加季度宏观经济领先指标，对流行的回归模型进行训练，包括线性正则化回归 (Ridge，Lasso，Elastic-net)，维度约简模型 (主成分回归)，k 最近邻算法 (k-NN 回归)，支持向量回归 (线性 SVR)，以及基于树的集成模型 (Random Forest 和 XGBoost 回归)，并使用简单的计量经济模型作为基准。通过计算均方根误差 (RMSE)，平均绝对误差 (MAE) 和平均绝对百分比误差 (MAPE) 来衡量每个模型的现在预测准确性。我们的发现表明，通过汇总个体预测形成的集成模型始终优于传统计量经济模型。我们得出结论，机器学习模型可以更准确和及时地预测马达加斯加的经济表现，并为决策者提供数据驱动的决策指导。

    Dec, 2023

  • 政府支出模式的对应分析

    本文利用包含超过 700 万笔开支的巴西政府数据集，借助神经网络方法分析并可视化巴西国会议员的自由支出模式，从而为政府透明度的机器学习方法提供新的数据基准，希望这一方法可以启发其他发展中国家实现政府透明度的机器学习技术。

    Nov, 2018