对机器学习和时间序列模型的变体进行比较分析,以预测女性在劳动力中的参与率

科学领域:

• 经济学 经济学 经济学
• 数据科学数据科学数据科学
• 社会学 社会学 社会学

背景情况:

• 尽管改善了人力资本,但埃及女性劳动力参与率仍然很低.
• 解决这一慢性经济问题需要创新的预测工具,特别是在危机期间.

研究的目的:

• 开发和评估一种混合机器学习模型,用于预测经济危机期间的女性就业情况.
• 为了比较各种机器学习和时间序列模型在预测女性劳动力参与方面的表现.

主要方法:

• 实施了一种混合模型,将主要组件分析 (PCA) 与机器学习 (ML) 算法 (SVM,神经网络,KNN,线性回归,随机森林,AdaBoost) 和时间序列模型 (ARIMA,VAR) 结合起来,用于特征提取.
• 利用公共部门的人力资源数据集,包括性别,地区,年龄和教育水平.
• 应用性能验证指标 (MSE,RMSE,MAE,MAPE,R2,CVRMSE) 和迪基 - 富勒测试.

主要成果:

• AdaBoost算法表现出卓越的性能,在预测女性就业方面达到100%的准确性.
• 混合PCA-AdaBoost模型显著优于其他测试的ML和时间序列模型.

结论:

• 拟议的混合机器学习方法,特别是AdaBoost,为预测经济危机期间女性劳动力参与提供了一个高度准确的方法.
• 调查结果为决策者提供了有价值的见解,旨在加强埃及妇女的经济包容性.