제약하의 예측조합 방법을 활용한 산업별 고용비중 예측
Prediction of the employment ratio by industry using constrainted forecast combination
0
조회
0
다운로드
0
인용
0
참고문헌
키워드
초록
본 연구는 우리나라 수출 분야의 산업별 고용비중을 다양한 머신러닝 기법을 활용하여 예측하고, 예측성능을 높이기 위하여 머신러닝 기법 예측값들에 예측조합 기법을 적용하였다. 특히, 본 연구에서는 각 머신러닝 기법 예측값들에 부여되는 가중치의 합을 1로 설정하는 제약하의 예측조합 기법을 사용하여 예측의 정확성과 안정성을 확보하고자 하였다. 또한, 본 연구는 산업별 고용비중에 영향을 주는 다양한 변수를 고려하기 위하여 재귀적특성제거 방법을 사용하여 주요 변수를 선별한 후, 머신러닝 기법에 적용함으로써 예측과정 상에서의 효율성을 높였다. 분석결과, 예측조합 방법에 따른 예측값은 머신러닝 기법의 예측값들보다 실제의 산업 고용비중에 근접한 것으로 나타났으며, 머신러닝 기법의 예측값들이 큰 변동성을 보이는 것과 달리 제약하의 예측조합 기법은 안정적인 예측값을 나타내었다.
Abstract
In this study, we predicted the employment ratio by the export industry using various machine learning methods and verified whether the prediction performance is improved by applying the constrained forecast combination method to these predicted values. In particular, the constrained forecast combination method is known to improve the prediction accuracy and stability by imposing the sum of predicted values' weights up to one. In addition, this study considered various variables affecting the employment ratio of each industry, and so we adopted recursive feature elimination method that allows efficient use of machine learning methods. As a result, the constrained forecast combination showed more accurate prediction performance than the predicted values of the machine learning methods, and in particular, the stability of the prediction performance of the constrained forecast combination was higher than that of other machine learning methods.
참고문헌 (29)
- J. M. Bates, "The Combination of Forecasts", Journal of the Operational Research Society, 20(4), pp.451~468 (2017), Informa UK Limited[DOI]
- 유영명, "부산지역 산업별 구조 변동에 따른 경쟁력 분석", 지방정부연구, 14(3), pp.295~313 (2010), 한국지방정부학회
- B. S. Kim., "Job Creation of Service Industry and Changes in Employment Structure in Terms of the Quality of Job", Monthly Labor Review, 40, pp.23~35 (2008)
- 김상춘, "투입산출 구조분해를 통한 한국 제조업 고용변동구조 분석", 산업경제연구, 32(1), pp.375~403 (2019), 한국산업경제학회[DOI]
- The effect of labor mobility on the relationship between technology innovation and employment, "I. S. Jang", KLI, ~ (2017)
- 정이기, "투자와 고용성장간의 관계에 대한 실증연구 : 산업간 차이를 중심으로", 대한경영학회지, 31(7), pp.1363~1382 (2018), 대한경영학회[DOI]
- 송일호, "설비투자가 생산성과 고용에 미치는 경제적 효과분석", 생산성연구: 국제융합학술지, 23(3), pp.259~278 (2009), 한국생산성학회[DOI]
- 김동구, "고령인구 비중 증가가 소비구조 변화를 통해 생산과 고용에 미치는 영향", 산업경제연구, 26(6), pp.2519~2546 (2013), 한국산업경제학회
- Effect of change in consumption patterns on employment, "D. W. Kang", KLI, ~ (2020)
- 이종하, "외생적 재정충격의 고용창출 효과", 질서경제저널, 19(1), pp.19~40 (2016), 한국질서경제학회[DOI]
- 이종하, "지역에서 연구개발투자와 고용 간의 관계 분석", 한국지방재정논집, 22(2), pp.167~190 (2017), 한국지방재정학회[DOI]
- Analysis of dynamic relationship between exchange rate fluctuations and employment, "M. S. Park", KIET, ~ (2008)
- 이종욱, "경기변동성과 중소기업 금융지원의 개선과제", 중소기업연구, 33(1), pp.17~32 (2011), 한국중소기업학회
- 최지은, "The roles of differencing and dimension reduction in machine learning forecasting of employment level using the FRED big data", Communications for Statistical Applications and Methods, 26(5), pp.497~506 (2019), 한국통계학회
- 이동훈, "머신러닝 기법을 활용한 대졸 구직자 취업 예측모델에 관한 연구", 정보시스템연구, 29(2), pp.287~306 (2020), 한국정보시스템학회
- S. S. Alduayj, "Predicting Employee Attrition using Machine Learning", Paper presented at the 2018 International Conference on Innovations in Information Technology (IIT) (2018)
- A. Adhikari., "Factors affecting employee attrition : a multiple regression approach", IUP Journal of Management Research, 8(5), pp.38~ (2009)
- Mirko Savic, "Principal components analysis of employment in Eastern Europe", Panoeconomicus, 53(4), pp.427~437 (2006), National Library of Serbia[DOI]
- Y. Zhao, "Employee turnover prediction with machine learning: A reliable approach", Paper presented at the Proceedings of SAI intelligent systems conference (2018)
- Nan-Jung Hsu, "Subset selection for vector autoregressive processes using Lasso", Computational Statistics & Data Analysis, 52(7), pp.3645~3657 (2008), Elsevier BV[DOI]
- Aaron Kreiner, "Can machine learning on economic data better forecast the unemployment rate?", Applied Economics Letters, 27(17), pp.1434~1437 (2020), Informa UK Limited[DOI]
- T. Hastie, "The elements of statistical learning: data mining, inference, and prediction" (2009), Springer Science &Business Media
- Robert Tibshirani, "Regression shrinkage and selection via the lasso: a retrospective", Journal of the Royal Statistical Society: Series B (Statistical Methodology), 73(3), pp.273~282 (2011), Wiley[DOI]
- Vladimir Cherkassky, "Practical selection of SVM parameters and noise estimation for SVM regression", Neural Networks, 17(1), pp.113~126 (2004), Elsevier BV[DOI]
- Robert T. Clemen, "Combining forecasts: A review and annotated bibliography", International Journal of Forecasting, 5(4), pp.559~583 (1989), Elsevier BV[DOI]
- Clive W. J. Granger, "Improved methods of combining forecasts", Journal of Forecasting, 3(2), pp.197~204 (1984), Wiley[DOI]
- Celal Aksu, "An empirical analysis of the accuracy of SA, OLS, ERLS and NRLS combination forecasts", International Journal of Forecasting, 8(1), pp.27~43 (1992), Elsevier BV[DOI]
- Isabelle Guyon, "Gene selection for cancer classification using support vector machines", Machine Learning, 46(1, pp.3) (2002), 389~422[DOI]
- K. Eswara Rao, "Ensemble learning with recursive feature elimination integrated software effort estimation: a novel approach", Evolutionary Intelligence (2020), Springer Science and Business Media LLC[DOI]