Masalah yang Berkaitan dengan Jumlah Penduduk yang Jarang: Bukti dari Perkiraan Tingkat Pengangguran

ABSTRAK
Peramalan sparse ensemble telah menjadi teknik yang semakin kompetitif untuk penelitian dan praktik peramalan dalam beberapa tahun terakhir. Makalah ini mengkaji peran sparse ensemble dalam peramalan tingkat pengangguran menggunakan peramal ahli. Pertama, kami menunjukkan bagaimana efektivitas sparse ensemble dipengaruhi oleh kompleksitas dan keakuratan model dasar. Kedua, kami memperluas teknik regularisasi sparse ke pengaturan dengan bias dan varians yang tidak diketahui dengan menggunakan simulasi Monte Carlo. Ketiga, kami menyoroti peran penting koefisien regularisasi
, yang berfungsi sebagai faktor penyusutan utama dan memerlukan keseimbangan antara kelangkaan model dan akurasi perkiraan. Hasil eksperimen pada data tingkat pengangguran menunjukkan keunggulan pembelajaran ansambel yang jarang dibandingkan strategi dengan bobot yang sama. Kerangka kerja ini memberikan wawasan baru ke dalam pemodelan prediktif dalam bidang ekonomi dan pasar tenaga kerja.