論文の概要: Unemployment Dynamics Forecasting with Machine Learning Regression Models

• arxiv url: http://arxiv.org/abs/2505.01933v1
• Date: Sat, 03 May 2025 21:55:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-06 18:49:35.336697
• Title: Unemployment Dynamics Forecasting with Machine Learning Regression Models
• Title（参考訳）: 機械学習回帰モデルを用いた失業率ダイナミクス予測
• Authors: Kyungsu Kim,
• Abstract要約: 本稿では、月次失業率データに回帰と機械学習の手法を適用し、タイムリーな予測を行う方法について検討した。 私は、線形回帰、SGDRegressor、ランダムフォレスト、XGBoost、CatBoost、サポートベクター回帰、LSTMネットワークの7つのモデルを比較した。 我々の研究は、現代の機械学習技術がリアルタイムの失業予測を強化し、経済学者や政策立案者が労働市場の動向についてより深い洞察を提供する方法を示している。
• 参考スコア（独自算出の注目度）: 1.9761774213809031
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In this paper, I explored how a range of regression and machine learning techniques can be applied to monthly U.S. unemployment data to produce timely forecasts. I compared seven models: Linear Regression, SGDRegressor, Random Forest, XGBoost, CatBoost, Support Vector Regression, and an LSTM network, training each on a historical span of data and then evaluating on a later hold-out period. Input features include macro indicators (GDP growth, CPI), labor market measures (job openings, initial claims), financial variables (interest rates, equity indices), and consumer sentiment. I tuned model hyperparameters via cross-validation and assessed performance with standard error metrics and the ability to predict the correct unemployment direction. Across the board, tree-based ensembles (and CatBoost in particular) deliver noticeably better forecasts than simple linear approaches, while the LSTM captures underlying temporal patterns more effectively than other nonlinear methods. SVR and SGDRegressor yield modest gains over standard regression but don't match the consistency of the ensemble and deep-learning models. Interpretability tools ,feature importance rankings and SHAP values, point to job openings and consumer sentiment as the most influential predictors across all methods. By directly comparing linear, ensemble, and deep-learning approaches on the same dataset, our study shows how modern machine-learning techniques can enhance real-time unemployment forecasting, offering economists and policymakers richer insights into labor market trends. In the comparative evaluation of the models, I employed a dataset comprising thirty distinct features over the period from January 2020 through December 2024.
• Abstract（参考訳）: 本稿では、月次失業率データに回帰と機械学習の手法を適用し、タイムリーな予測を行う方法について検討した。 線形回帰、SGDRegressor、Random Forest、XGBoost、CatBoost、Support Vector Regression、LSTMネットワークの7つのモデルを比較して、各モデルが歴史的データの範囲でトレーニングされ、その後に保持期間を評価する。 入力機能には、マクロ指標(GDP成長、CPI)、労働市場対策(市場開拓、イニシャルクレーム)、金融変数(金利、株式指数)、消費者の感情などが含まれる。 クロスバリデーションによってモデルハイパーパラメータを調整し、標準エラーメトリクスと正しい失業方向を予測する能力で性能を評価しました。 ボード全体では、ツリーベースのアンサンブル(特にCatBoost)は単純な線形アプローチよりも顕著に優れた予測を提供する一方、LSTMは他の非線形手法よりも効果的な時間パターンをキャプチャする。 SVRとSGDRressressorは標準回帰よりも適度に向上するが、アンサンブルとディープラーニングモデルの一貫性にはマッチしない。 解釈可能性ツール(Feature importance rankings)とSHAP値(SHAP values)は、すべての方法において最も影響力のある予測因子である求職と消費者の感情を指し示している。 同じデータセット上で線形、アンサンブル、ディープラーニングのアプローチを直接比較することにより、現代の機械学習技術がリアルタイムの失業予測を強化し、経済学者や政策立案者が労働市場のトレンドに対するより豊かな洞察を提供する方法を示している。 モデルの比較評価では,2020年1月から2024年12月までの期間に,30種類の特徴からなるデータセットを使用した。

関連論文リスト

• Optimizing Sequential Recommendation Models with Scaling Laws and Approximate Entropy [104.48511402784763]
  SRモデルの性能法則は,モデルの性能とデータ品質の関係を理論的に調査し,モデル化することを目的としている。 データ品質を評価するために、従来のデータ量メトリクスと比較して、より曖昧なアプローチを示すために、近似エントロピー(ApEn)を提案する。
  論文  参考訳（メタデータ） (2024-11-30T10:56:30Z)
• Stock Price Prediction and Traditional Models: An Approach to Achieve Short-, Medium- and Long-Term Goals [0.0]
  在庫価格予測のためのディープラーニングモデルと従来の統計手法の比較分析は、ナイジェリア証券取引所のデータを用いている。 深層学習モデル、特にLSTMは、データの複雑な非線形パターンをキャプチャすることで従来の手法より優れている。 この結果は、金融予測と投資戦略を改善するための深層学習の可能性を強調している。
  論文  参考訳（メタデータ） (2024-09-29T11:20:20Z)
• Automated Data Augmentation for Few-Shot Time Series Forecasting: A Reinforcement Learning Approach Guided by a Model Zoo [34.40047933452929]
  本稿では,時系列データ拡張のための強化学習(RL)の試験的検討を行う。 我々の手法であるReAugmentは、トレーニングセットのどの部分が拡張されるべきか、どのように拡張を行うべきか、RLがプロセスにどのような利点をもたらすのか、という3つの重要な問題に取り組む。
  論文  参考訳（メタデータ） (2024-09-10T07:34:19Z)
• F-FOMAML: GNN-Enhanced Meta-Learning for Peak Period Demand Forecasting with Proxy Data [65.6499834212641]
  本稿では,需要予測をメタラーニング問題として定式化し,F-FOMAMLアルゴリズムを開発した。 タスク固有のメタデータを通してドメインの類似性を考慮することにより、トレーニングタスクの数が増加するにつれて過剰なリスクが減少する一般化を改善した。 従来の最先端モデルと比較して,本手法では需要予測精度が著しく向上し,内部自動販売機データセットでは平均絶対誤差が26.24%,JD.comデータセットでは1.04%削減された。
  論文  参考訳（メタデータ） (2024-06-23T21:28:50Z)
• Financial Time-Series Forecasting: Towards Synergizing Performance And Interpretability Within a Hybrid Machine Learning Approach [2.0213537170294793]
  本稿では、ハイブリッド機械学習アルゴリズムの比較研究を行い、モデル解釈可能性の向上に活用する。 本稿では,金融時系列予測において出現する潜伏関係や複雑なパターンの発掘を目的とした,分解,自己相関関数,指数的三重予測など,時系列統計の事前処理技術に関する体系的な概要を述べる。
  論文  参考訳（メタデータ） (2023-12-31T16:38:32Z)
• Nowcasting Madagascar's real GDP using machine learning algorithms [0.0]
  マダガスカルにおける国内総生産(GDP)の予測能力について検討する。 線形正則回帰(Ridge,Lasso,Elastic-net)、次元減少モデル(主成分回帰)、k-nearest neighborsアルゴリズム(k-NN回帰)を含む一般的な回帰モデルを訓練した。 我々は,根平均二乗誤差(RMSE),平均絶対誤差(MAE),平均絶対パーセンテージ誤差(MAPE)を算出し,各モデルの流速精度を測定した。
  論文  参考訳（メタデータ） (2023-12-24T20:40:54Z)
• On the Costs and Benefits of Adopting Lifelong Learning for Software Analytics -- Empirical Study on Brown Build and Risk Prediction [17.502553991799832]
  本稿では,ユビソフトにおける産業用ユースケースにおける生涯学習(LL)の利用について検討する。 LLは、新しいデータを使用して古いモデルを段階的に更新するインクリメンタルラーナを使用して、MLベースのソフトウェア分析ツールを継続的に構築し、メンテナンスするために使用される。
  論文  参考訳（メタデータ） (2023-05-16T21:57:16Z)
• Back2Future: Leveraging Backfill Dynamics for Improving Real-time Predictions in Future [73.03458424369657]
  公衆衛生におけるリアルタイム予測では、データ収集は簡単で要求の多いタスクである。 過去の文献では「バックフィル」現象とそのモデル性能への影響についてはほとんど研究されていない。 我々は、与えられたモデルの予測をリアルタイムで洗練することを目的とした、新しい問題とニューラルネットワークフレームワークBack2Futureを定式化する。
  論文  参考訳（メタデータ） (2021-06-08T14:48:20Z)
• A Time Series Analysis-Based Stock Price Prediction Using Machine Learning and Deep Learning Models [0.0]
  我々は、統計的、機械学習、ディープラーニングモデルの集合から成り立つ、非常に堅牢で正確な株価予測の枠組みを提示する。 当社は、インドの国立証券取引所(NSE)に上場している非常に有名な企業の、毎日の株価データを5分間隔で収集しています。 統計,機械学習,深層学習を組み合わせたモデル構築の凝集的アプローチは,株価データの揮発性およびランダムな動きパターンから極めて効果的に学習できる,と我々は主張する。
  論文  参考訳（メタデータ） (2020-04-17T19:41:22Z)

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。