論文の概要: Predicting United States policy outcomes with Random Forests

• arxiv url: http://arxiv.org/abs/2008.07338v1
• Date: Sun, 2 Aug 2020 18:06:57 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-03 20:03:11.325771
• Title: Predicting United States policy outcomes with Random Forests
• Title（参考訳）: ランダム森林による米国の政策成果の予測
• Authors: Shawn McGuire, Charles Delahunt
• Abstract要約: 20年間の政府の立法成果と富裕層、一般人口、多様な利害団体の政策選好は、ギレンズ、ペイジらによってキュレーションされ分析された詳細なデータセットで収集された。 その結果,富裕層の嗜好は政策の結果と強く相関することがわかったが,一般住民の嗜好は富裕層の嗜好と結びついてはいないことがわかった。 本研究は,それぞれ予測と推測の2つの主要な知見を提示する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Two decades of U.S. government legislative outcomes, as well as the policy preferences of rich people, the general population, and diverse interest groups, were captured in a detailed dataset curated and analyzed by Gilens, Page et al. (2014). They found that the preferences of the rich correlated strongly with policy outcomes, while the preferences of the general population did not, except via a linkage with rich people's preferences. Their analysis applied the tools of classical statistical inference, in particular logistic regression. In this paper we analyze the Gilens dataset using the complementary tools of Random Forest classifiers (RFs), from Machine Learning. We present two primary findings, concerning respectively prediction and inference: (i) Holdout test sets can be predicted with approximately 70% balanced accuracy by models that consult only the preferences of rich people and a small number of powerful interest groups, as well as policy area labels. These results include retrodiction, where models trained on pre-1997 cases predicted "future" (post-1997) cases. The 20% gain in accuracy over baseline (chance), in this detailed but noisy dataset, indicates the high importance of a few wealthy players in U.S. policy outcomes, and aligns with a body of research indicating that the U.S. government has significant plutocratic tendencies. (ii) The feature selection methods of RF models identify especially salient subsets of interest groups (economic players). These can be used to further investigate the dynamics of governmental policy making, and also offer an example of the potential value of RF feature selection methods for inference on datasets such as this.
• Abstract（参考訳）: 20年間のアメリカ合衆国政府の立法成果と富裕層、一般人口、多様な利害団体の政策選好は、Gilens, Page et al. (2014)によってキュレーションされ分析された詳細なデータセットで収集された。 その結果,富裕層の嗜好は政策の結果と強く相関することがわかったが,一般住民の嗜好は富裕層の嗜好と結びついてはいないことがわかった。 彼らの分析は古典的統計推論、特にロジスティック回帰のツールを適用した。 本稿では,機械学習からランダムフォレスト分類器(rfs)の補完ツールを用いて,girensデータセットの解析を行う。 予測と推測の2つの主要な知見を提示する。 (i)ホールドアウトテストセットは、富裕層と少数の利害関係グループ、および政策領域ラベルの選好のみを相談するモデルによって、約70%のバランスのとれた精度で予測することができる。 これらの結果は、1997年以前のケースでトレーニングされたモデルが"future"(1997年以降)を予測したレトロディクションを含む。 この詳細なデータセットでは、ベースライン(チャンス)よりも精度が20%向上していることは、米国の政策成果において、少数の富裕層が高い重要性を持っていることを示している。 2)RFモデルの特徴選択手法は,特に利害グループ(経済学者)の健全なサブセットを特定する。 これらは、政府の政策決定のダイナミクスをさらに調査するために使用することができ、また、このようなデータセットに対する推論のためのRF特徴選択手法の潜在的な価値の例を提供する。

関連論文リスト

• A Comparative Analysis of Wealth Index Predictions in Africa between three Multi-Source Inference Models [0.02730969268472861]
  We analyze the International Wealth Index (IWI) predict by Lee and Braithwaite (2022) and Esp'in-Noboa et al. (2023) with the Relative Wealth Index (RWI) infered by Chi et al. (2022) across six-Saharan African countries。 分析の結果,これらのモデル間の富の予測の傾向と相違点が明らかになった。 これらの知見は、特定のモデルの妥当性に関する懸念を提起し、政策決定に使用される富の予測アルゴリズムに対する厳密な監査の重要性を強調している。
  論文  参考訳（メタデータ） (2024-08-03T02:07:39Z)
• Large Language Models (LLMs) as Agents for Augmented Democracy [6.491009626125319]
  我々は、市民の嗜好に関するデータを増やすために、既成のLLMを微調整した拡張民主主義システムについて検討する。 被験者の個人の政治的選択と参加者の全サンプルの集合的選好の両方をLLMが予測する精度を推定するために、列車試験のクロスバリデーション・セットアップを使用する。
  論文  参考訳（メタデータ） (2024-05-06T13:23:57Z)
• Reduced-Rank Multi-objective Policy Learning and Optimization [57.978477569678844]
  実際には、因果研究者は先験を念頭において1つの結果を持っていない。 政府支援の社会福祉プログラムでは、政策立案者は貧困の多次元的性質を理解するために多くの成果を集めている。 本稿では、最適政策学習の文脈において、複数の結果に対するデータ駆動型次元性推論手法を提案する。
  論文  参考訳（メタデータ） (2024-04-29T08:16:30Z)
• ASPEST: Bridging the Gap Between Active Learning and Selective Prediction [56.001808843574395]
  選択予測は、不確実な場合の予測を棄却する信頼性のあるモデルを学ぶことを目的としている。 アクティブラーニングは、最も有意義な例を問うことで、ラベリングの全体、すなわち人間の依存度を下げることを目的としている。 本研究では,移動対象領域からより情報のあるサンプルを検索することを目的とした,新たな学習パラダイムである能動的選択予測を導入する。
  論文  参考訳（メタデータ） (2023-04-07T23:51:07Z)
• Selecting the suitable resampling strategy for imbalanced data classification regarding dataset properties [62.997667081978825]
  医学、情報検索、サイバーセキュリティ、ソーシャルメディアなどの多くのアプリケーションドメインでは、分類モデルの導入に使用されるデータセットは、各クラスのインスタンスの不平等な分布を持つことが多い。 この状況は不均衡データ分類と呼ばれ、少数民族の例では予測性能が低い。 オーバーサンプリングとアンダーサンプリングの技術は、各クラスの例の数とバランスをとることでこの問題に対処する、よく知られた戦略である。
  論文  参考訳（メタデータ） (2021-12-15T18:56:39Z)
• Identification of Subgroups With Similar Benefits in Off-Policy Policy Evaluation [60.71312668265873]
  我々は,パーソナライズの必要性と自信ある予測とのバランスをとる方法を開発した。 本手法は不均一な治療効果の正確な予測に有効であることを示す。
  論文  参考訳（メタデータ） (2021-11-28T23:19:12Z)
• Statistical discrimination in learning agents [64.78141757063142]
  統計的差別は、訓練人口のバイアスとエージェントアーキテクチャの両方の関数としてエージェントポリシーに現れる。 我々は、リカレントニューラルネットワークを使用するエージェントによる差別の低減と、トレーニング環境のバイアスの低減が示される。
  論文  参考訳（メタデータ） (2021-10-21T18:28:57Z)
• On Modeling Human Perceptions of Allocation Policies with Uncertain Outcomes [6.729250803621849]
  確率重み付けは、害と利益の確率分布よりも好みを予測できることを示す。 確率重み付けの歪み効果を考慮して、知覚された総害を最小化し、知覚された総益を最大化する最適政策を同定する。
  論文  参考訳（メタデータ） (2021-03-10T02:22:08Z)
• Inflating Topic Relevance with Ideology: A Case Study of Political Ideology Bias in Social Topic Detection Models [16.279854003220418]
  トレーニングデータにおける政治的イデオロギーバイアスの影響について検討する。 私たちの研究は、人間の選択した入力からバイアスを伝達する、大規模で複雑なモデルの受容性を強調します。 偏見を緩和する手段として,政治的イデオロギーに不変なテキスト表現の学習を提案する。
  論文  参考訳（メタデータ） (2020-11-29T05:54:03Z)
• Magnify Your Population: Statistical Downscaling to Augment the Spatial Resolution of Socioeconomic Census Data [48.7576911714538]
  重要社会経済的属性の詳細な推定を導出する新しい統計的ダウンスケーリング手法を提案する。 選択された社会経済変数ごとに、ランダムフォレストモデルが元の国勢調査単位に基づいて訓練され、その後、微細なグリッド化された予測を生成するために使用される。 本研究では,この手法を米国の国勢調査データに適用し,ブロック群レベルで選択された社会経済変数を,300の空間分解能のグリッドにダウンスケールする。
  論文  参考訳（メタデータ） (2020-06-23T16:52:18Z)
• Interventions for Ranking in the Presence of Implicit Bias [34.23230188778088]
  帰属バイアス(英語: Implicit bias)とは、特定の社会的グループのメンバーに対する特定の性質(またはその欠如)の無意識の帰属である。 ルーニールール(英: Rooney Rule)は、サブセット選択問題の特定のケースにおける結果の有用性を改善するための制約である。 我々は、単純で解釈可能な制約の族を示し、それらが暗黙のバイアスを最適に軽減できることを示す。
  論文  参考訳（メタデータ） (2020-01-23T19:11:31Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。