عناصر مشابهة
Using Artificial Neural Networks and Statistical Models for Classifying Data for the Labor Force Survey in Palestine
| العنوان بلغة أخرى: | استخدام الشبكات العصبية الاصطناعية والنماذج الإحصائية لتصنيف البيانات لمسح القوى العاملة في فلسطين |
|---|---|
| المصدر: | مجلة جامعة الإسراء للعلوم الإنسانية |
| الناشر: |
جامعة الإسراء
|
| المؤلف الرئيسي: | |
| المجلد/العدد: | ع15 |
| محكمة: | نعم |
| الدولة: | فلسطين |
| التاريخ الميلادي: | 2023 |
| الصفحات: | 173 - 197 |
| DOI: | 10.36529/1811-000-015-006 |
| ISSN: | 2518-5918 |
| رقم MD: | 1388683 |
| نوع المحتوى: | بحوث ومقالات |
| اللغة: | English |
| قواعد المعلومات: | HumanIndex |
| مواضيع: | |
| رابط المحتوى: |
|
| المستخلص: | تهدف هذه الدراسة إلى اختيار أفضل نمودج إحصائي لبيانات مسح القوى العاملة في فلسطين لعام 2019، من خلال المقارنة بين الانحدار اللوجستي المتعدد والتحليل التمييزي والشبكات العصبية الاصطناعية. تحتوي بيانات القوى العاملة على 12 متغيرًا، المتغير التابع هو القوى العاملة وتحتوي على ثلاث فئات (العمالة، البطالة، وخارج القوى العاملة). في حين أن المتغيرات الـ 11 المستقلة الأخرى كلها اسمية باستثناء متغير العمر عددي. وأظهرت نتائج هذه المقارنات أن الانحدار اللوجستي المتعدد أعطى أفضل دقة في التنبؤ بلغت (82.27) و(79.2%) للتحليل التمييزي و (81.6%) للشبكات العصبية الاصطناعية. There are many possible techniques for classifying data. Multinomial Logistic Regression, Discriminant Analysis and Artificial Neural Networks. Are three techniques that were commonly used for data classification. Three techniques are applied at the Labor Force survey in Palestine in 2019. This study aims to choose the best statistical model for Labor Force in Palestine in 2019 data, through the comparison between Multinomial Logistic Regression, Discriminant Analysis and Artificial Neural Networks on a real data set. The researcher used real data of Labor Force from a survey of the labor force that was conducted by the Palestinian Central Bureau of Statistics (PCBS) in 2019-2020. The study sample size was 22625. The target group was the age group (15- 65) for both sexes. Labor Force data has 12 variables; the dependent variable is nominal with three categories (employment, unemployment and outside of LF) and 11 independent variables. In this study, three statistical models were compared using different assessment techniques (cross-validation with half of the observations, sensitivity, accuracy, error rate, and method ROC curves) and obtained the best estimate of accuracy and error rate in order to achieve the best model for the data. These results demonstrated that multinomial logistic regression can be more powerful analytical technique than discriminant analysis, and artificial neural networks. |
|---|
