머신러닝 기법을 이용한 대졸자 취업예측 모형
A Predictive Model for the Employment of College Graduates Using a Machine Learning Approach
0
조회
0
다운로드
80
인용
0
참고문헌
키워드
초록
본 연구는 머신러닝의 랜덤 포리스트 기법을 이용하여 대졸자의 취업 여부와 취업의 질을 예측하는 모형을 제시한다. 전통적 회귀분석에서는 설명변수의 외생성이나 오차항 분포에 대한 제약이 있지만 머신러닝 접근법은 이러한 제약에서 상대적으로 자유로운 편이다. 본 연구에서 사용한 예측인자에는 대졸자의 객관적 특성 변수뿐 아니라 취업관련 프로그램 참여 여부, 일자리 선택 시 고려사항, 감정빈도 변수 등 응답자가 주관적으로 평가하는 특성까지 포함되어 있다. 분석결과를 보면, 객관적 및 주관적 예측인자를 모두 사용하는 모형이 객관적 예측인자만 사용한 모형에 비해 취업여부와 취업의 질을 예측하는 모형 모두에서 예측성과가 더 우수한 것으로 나타났다. 랜덤 포리스트 기법을 사용하여 예측인자의 상대적 중요성을 파악한 결과, 취업여부 모형에서는 가구주 여부, 부모동거 여부와 같은 객관적 변수뿐 아니라 주관적 변수인 감정빈도 변수도 중요한 영향을 미쳤다. 취업의 질에 있어서도 학교유형이나 전공계열과 같은 객관적 변수는 물론 주관적 감정빈도 변수가 중요한 영향을 미치는 것으로 나타났다.
Abstract
This study presents a model to predict the employment status and the employment quality of college graduates using the random forest method of machine learning. In traditional regression analysis, there are some constraints on the problem of endogeneity and distribution of errors. However, the machine learning approach is relatively free from these constraints. The predictors used in this study include not only the objective characteristics of college graduates but also characteristics of respondents' subjective evaluation, including participation in employment programs, consideration of job selection, and emotional frequency. The estimation results show that the models using both objective and subjective predictors have better predictive performances than the model using only objective predictors in both the employment status and the employment quality models. As a result of analyzing the relative importance of predictors using the random forest method, not only the subjective variables such as householder status, parental cohabitation, and major, but also subjective variables, such as the emotional frequency, have an important effect on the employment status. This is also true of the model for predicting the quality of employment.
참고문헌 (14)
- 김주섭, "청년층의 고학력화에 따른 학력과잉 실태 분석", 노동정책연구, 5(2), pp.1~29 (2005), 한국노동연구원
- 박국흠, "신경망을 이용한 비선형 인지모형 인식: 기대이론을 이용한 행정학과 대학생들의 취업노력 예측을 중심으로", 한국정책학회보, 6(1), pp.313~334 (1997), 한국정책학회
- 유진은, "랜덤 포레스트: 의사결정나무의 대안으로서의 데이터 마이닝 기법", 교육평가연구, 28(2), pp.427~448 (2015), 한국교육평가학회
- 이만기, "대졸자의 괜찮은 일자리에 영향을 미치는 취업준비활동의 영향 분석", 취업진로연구, 5(4), pp.115~138 (2015), 한국취업진로학회[DOI]
- 전금숙, "부모태도와 지적장애인의 취업성과와의 관계", 지적장애연구, 15(3), pp.287~316 (2013), 한국지적장애교육학회
- 진선미, "대졸자의 하향취업이 노동시장이행에 미치는 영향에 관한 연구", 청소년복지연구, 13(1), pp.95~120 (2011), 한국청소년복지학회
- 하석철, "부모-자녀 간 소득이전에 영향을 미치는 요인에 관한 연구 : 수혜자인 부모와 제공자인 자녀를 중심으로", 가족과 문화, 24(2), pp.101~136 (2012), 한국가족학회[DOI]
- Bajari, P., "Machine learning methods for demand estimation", American Economic Review, 105, pp.481~485 (2015)
- Breiman, L., "Bagging predictors", Machine Learning, 26, pp.123~140 (1996)
- Breiman, L., "Random forests", Machine Learning, 45, pp.5~32 (2001)
- Hastie, T., "The elements of statistical learning: Data mining, inference and prediction" (2009), Springer
- Sandri, M., "Analysis and correction of bias in total decrease in node impurity measures for tree-based algorithms", Statistics and Computing, 20(4), pp.393~407 (2010)
- Sirokey, D. S., "Navigating random forests and related advances in algorithmic modeling", Statistics Surveys, 3, pp.147~163 (2009)
- Varian, H. R., "New Tricks for Econometrics", Journal of Economic Perspective, 28, pp.3~28 (2014)