Model – podstawa decyzji ekonomicznych
 |
Ekonomiści podejmują wiele decyzji w oparciu o prognozy przyszłego stanu rzeczy. Dotyczą one wielu aspektów finansowej rzeczywistości – od wartości sprzedaży firmy, wartości nieruchomości, poprzez wydatki gospodarstw domowych, po decyzje odnośnie przyznania lub nieprzyznania kredytu.
|
W nauce i finansach nie ma miejsca na wróżenie z fusów – dlatego decydentom potrzebne są precyzyjne narzędzia analityczne. Tu z pomocą przychodzi statystyka. "Istnieje już powszechnie dostępne oprogramowanie, które umożliwia każdemu zainteresowanemu analitykowi zastosowanie podejścia opartego na agregacji modeli. Musi być ono jednak wykorzystywane ze zrozumieniem, a nie na zasadzie: ‘Nie myśl, użyj komputera’" – apeluje dr Dorota Rozmus z Wydziału Zarządzania Akademii Ekonomicznej w Katowicach.
W rozmowie z PAP badaczka tłumaczy, jak powstają modele, dzięki którym widać ukryte zależności między danymi ekonomicznymi, wyjaśnia Aby oswoić trudną sztukę analizy zjawisk ekonomicznych, proponuje m.in. polską terminologię dla angielskojęzycznych pojęć.
"Określenie przyszłych stanów różnych zjawisk ekonomicznych jest ważnym narzędziem procesu podejmowania decyzji. Etap prognozowania poprzedzony jest konstrukcją modelu. Najczęściej stosowanymi podejściami do budowy modeli prognostycznych są analiza dyskryminacyjna (klasyfikacja) oraz analiza regresji" – mówi dr Rozmus.
Jak wyjaśnia, analiza dyskryminacyjna pozwala na budowę modelu opisującego kształtowanie się zjawisk opisywanych przez cechę jakościową. Może to być fakt bankructwa lub przetrwania firmy albo klasyfikacja pracowników ze względu na niską, średnią i wysoką wydajność pracy. Na podstawie takiego modelu, ekspert bankowy może podjąć decyzję, czy danej osobie należy udzielić kredytu, czy też nie.
Analiza regresji natomiast buduje modele opisujące kształtowanie się zjawisk o charakterze ilościowym, np. zysk przedsiębiorstw lub wielkość sprzedaży. Na podstawie takich modeli można próbować przewidywać wartość sprzedaży w przedsiębiorstwie.
Dr Rozmus podjęła badania aplikacyjne, stosując zagregowane modele do rozwiązywania konkretnych problemów o charakterze ekonomicznym. Jej rozprawa doktorska napisana pod kierunkiem naukowym prof. Eugeniusza Gatnara zwyciężyła w rozstrzygniętej w ub. roku II edycji konkursu "Nowe trendy w naukach ekonomicznych i zarządzaniu".
"Przedstawiłam możliwości zastosowania agregacji modeli do dokładniejszego przewidywania wartości nieruchomości, wysokości wydatków gospodarstw domowych oraz do poprawniejszej klasyfikacji wniosków kredytowych, pracowników, przedsiębiorstw oraz do wyróżniania wśród poczty mailowej specjalnej grupy przesyłek tzw. spamów, czyli poczty niechcianej" – wylicza badaczka.{mospagebreak}Jak tłumaczy, modele zagregowane przydają się także poza ekonomią – w medycynie, socjologii, biologii, geologii, chemii, a także rozpoznawaniu obrazów, dźwięków lub sygnałów.
Doktor dodaje, że klasyczne metody wymagają spełnienia wielu założeń, co znacznie ogranicza możliwość ich stosowania. Dlatego naukowcy szukają metod nieparametrycznych – narzędzi znacznie bardziej elastycznych, przy których cechy opisujące badane zjawisko nie muszą się charakteryzować określonymi własnościami.
"Jedną z częściej stosowanych metod nieparametrycznych jest metoda drzew klasyfikacyjnych (regresyjnych). Jej nazwa wywodzi się z graficznej prezentacji postaci modelu w postaci drzewa. Wewnętrzne wierzchołki drzewa reprezentują sposób dokonywania podziału obserwacji na grupy podobnych do siebie obiektów (np. kredytobiorców, którym udzielono kredyt), krawędzie natomiast przedstawiają kryterium podziału (np. dochód kredytobiorcy)" – wskazuje dr Rozmus.
Zaznacza, że charakteryzuje się ona jednak pewną niestabilnością. Model jest silnie zależny od zawartości zbioru danych, co może zmniejszać dokładność przewidywania. Na podstawie prognoz obarczonych dużym błędem, przedsiębiorstwo podejmie negatywne w swych skutkach decyzje np. co do wielkości produkcji.
Zdaniem autorki pracy, wadę tę można jednak wyeliminować – właśnie poprzez agregację modeli. Okazuję się, że budowa wielu drzew klasyfikacyjnych (regresyjnych) i połączenie ich w model pozwala na znaczną poprawę dokładności.
Rozprawa dr Rozmus stanowi przegląd zaproponowanych w literaturze światowej metod agregacji modeli klasyfikacyjnych i regresyjnych. Dr Rozmus przedstawiła dotychczas stosowane sposoby ich klasyfikacji, podjęła też próbę własnego ich podziału i zaproponowała polską terminologię dla poruszanych przez siebie zagadnień.
Bardzo popularna metoda baggig została nazwana metodą agregacji bootstrapowej, boosting to metoda wzmacniania, random forest to metoda losowych modeli, stacking to agregacja dwustopniowa, adaptive bagging to adaptaczjna metoda agregacji bootstrapowej, wagging to ważona agregacja bootstrapowa, arcing to metoda adaptacyjnego losowania i łączenia, error-correcting output coding (ECOC) – obniżanie błędu przez kodowanie wartości zmiennej objaśnianej, bundling – metoda wiązania modeli, windowing – metoda losowych podprób uczących, random subspace method – metoda losowych podprzestrzeni, randomization – randomizacja. Ponadto zostały zaproponowane polskie nazwy dla bardzo już szczegółowych i technicznych anglojęzycznych terminów, jak np. zbiór obserwacji spoza próby OOB dla terminu: out-of-bag. (KOL, PAP – Nauka w Polsce, bsz)
Zaloguj się Logowanie