ПРИМЕНЕНИЕ МЕТОДОВ МАШИННОГО ОБУЧЕНИЯ ДЛЯ прогнозирования циклической безработицы
DOI:
https://doi.org/10.26726/1812-7096-2019-4-64-76Ключевые слова:
прогноз безработицы, закон Оукена, циклическая безработица, машинное обучение, нейронные сетиАннотация
Целью работы является исследование зависимости между циклическими компонентами ВВП и безработицы для прогнозирования последней с помощью методов машинного обучения. В данной работе используются различные методы машинного обучения, в том числе нейронные сети. Также были рассмотрены традиционные эконометрические модели. Модели, основанные на нейронных сетях, показали качество, превосходящие традиционные модели, однако, предсказательная способность моделей, основанных на бинарных решающих деревьях, оказалась ниже, чем линейной регрессии. Циклическая безработица является одной из главных характеристик макроэкономической нестабильности, свидетельством неполной занятости ресурсов. Прогнозирование циклической безработицы представляет практическую ценность с точки зрения использования при построении краткосрочных прогнозов безработицы и реакции безработицы на изменение ВВП. Главным выводом этой работы можно считать подтверждение возможности использования методов машинного обучения для получения прогнозов циклической безработицы, их конкурентоспособность по сравнению с более традиционными линейными регрессиями.