Цель исследования - выявить взаимосвязи между относительными экономическими показателями (индексами развития) стран мира на основе данных Всемирного банка за 2023 г. Для решения задачи применены методы машинного обучения и анализа структурных уравнений. Материалы и методы. Исследование охватило 205 стран - при анализе методом взвешенных синдромов; 180 стран - при однои двухфакторном подтверждающем анализе. В качестве исходных данных использованы восемь ключевых относительных экономических показателей развития стран. Группирующим критерием выступил темп роста ВВП в 2023 г. (в %). Для анализа применены метод взвешенных синдромов; однои двухфакторный подтверждающий анализ; оценка качества моделей по индикатору ROC AUC, индексам сравнительного соответствия и Такера-Льюиса (TLI). Результаты. 1. Модель на основе метода взвешенных синдромов показала высокое качество распознавания: ROC AUC = 0,92. Диаграммы рассеяния подтвердили четкое разделение стран на две группы по анализируемым показателям. 2. При факторном анализе построены: однофакторная модель с низкими нагрузками (λ= 0,258; λ= 0,131), что указывает на слабую связь наблюдаемых переменных с латентным фактором; двухфакторная модель с неудовлетворительным индексом соответствия TLI = 0,474 (при пороге > 0,90-0,95). Выводы. Методы машинного обучения продемонстрировали преимущество при работе с данными, содержащими пропуски. Факторный анализ дал неудовлетворительные результаты: модели не объясняют дисперсию переменных и не соответствуют данным. Содержательная экономическая интерпретация латентных факторов не проведена из-за низкого качества факторных моделей. Сравнение методов машинного обучения и факторного анализа затруднено из-за разного объема пригодных данных.
Предпросмотр статьи
Идентификаторы и классификаторы
- SCI
- Информатика
Если у вас возникли вопросы или появились предложения по содержанию статьи, пожалуйста, направляйте их в рамках данной темы.
