Применение машинного обучения для прогнозирования субъективного благополучия человека

Применение машинного обучения для прогнозирования субъективного благополучия человека

Интересное сегодня

Научное наследие Бернара Маскита в психотерапии

Введение Наследие человеческой чувствительности, интеллекта и честности, которое Бернар Маскит остав...

Как общение руководителя с сотрудниками влияет на их здоровь...

Введение Психические и психосоматические жалобы стали одной из основных причин больничных в Германии...

Как маскировка аутизма влияет на мозг подростков: новое иссл...

Как маскировка аутизма влияет на мозг подростков Некоторые подростки с аутизмом скрывают свои особен...

Андроид способен показывать сложные эмоции: исследование Nik...

Введение Социальные роботы, разработанные для взаимодействия с людьми, находят всё большее применени...

Взаимосвязанные ухудшения слуха, зрения и когнитивных функци...

Введение С увеличением среднего возраста населения, изучение возрастных изменений в сенсорных и когн...

Как летний роман помог мне исцелиться после расставания: сов...

Летний роман, который исцелил меня Три года назад, сидя с друзьями в пабе, я рассказывала, как насла...

figure 1
figure 1
figure 2
figure 2
figure 3
figure 3
Thumbnail 1
Thumbnail 2
Thumbnail 3
Thumbnail 4
Thumbnail 5
Thumbnail 6
Оригинал исследования на сайте автора
Читать короткую версию
Кликните еще раз для перехода

Введение

Субъективное благополучие является важным показателем в социальных науках, но текущие методы прогнозирования имеют ограниченную точность. В этом исследовании используются алгоритмы машинного обучения на основе деревьев решений для улучшения прогнозирования самооценочного благополучия. Исследование охватывает данные более миллиона респондентов из Германии, Великобритании и США за период с 2010 по 2018 год.

Цели исследования

Исследование ставит три основных вопроса:

  • Превосходят ли алгоритмы машинного обучения традиционные линейные модели в прогнозировании благополучия?
  • Совпадают ли переменные, выделенные алгоритмами машинного обучения, с теми, что подчеркиваются в литературе?
  • Могут ли алгоритмы машинного обучения помочь в разрешении спорных вопросов о форме зависимости благополучия от дохода и возраста?

Методы и данные

Исследование использует данные из трех национальных опросов: Германской социально-экономической панели (SOEP), Британского лонгитюдного исследования домохозяйств (UKHLS) и Американского ежедневного опроса Gallup. Были применены четыре алгоритма: Ordinary Least Squares (OLS), Least Absolute Shrinkage and Selection Operator (LASSO), Random Forests (RF) и Gradient Boosting (GB).

Результаты

Алгоритмы машинного обучения показали лучшую производительность по сравнению с OLS, особенно когда использовались расширенные наборы переменных. Важнейшими факторами благополучия оказались здоровье, экономические условия, личностные черты и личные отношения. Была подтверждена U-образная зависимость благополучия от возраста и насыщение эффекта дохода в Германии и Великобритании, но не в США.

Обсуждение

Исследование показывает, что алгоритмы машинного обучения могут значительно улучшить прогнозирование благополучия, особенно при использовании большого числа переменных. Однако, даже с использованием всей доступной информации, остается около половины необъяснимой вариации в благополучии. Будущие исследования могут включать комбинацию обучения с учителем и без учителя, а также применение машинного обучения для выявления причинных факторов благополучия.

Заключение

Машинное обучение представляет собой мощный инструмент для прогнозирования субъективного благополучия, который может дополнить и улучшить традиционные методы. Однако, для полного понимания благополучия необходимы дальнейшие исследования, особенно в контексте развивающихся стран.

Короткие версии статей можно найти в телеграм-канале.

Посмотреть канал
Кликните еще раз для перехода