Beyond Traditional Probabilistic Methods in Economics

ویرایش: [1st ed.] 
نویسندگان: Vladik Kreinovich,  Nguyen Ngoc Thach,  Nguyen Duc Trung,  Dang Van Thanh  
سری: Studies in Computational Intelligence 809 
ISBN (شابک) : 9783030041991, 9783030042004 
ناشر: Springer International Publishing 
سال نشر: 2019 
تعداد صفحات: XIV, 1157
[1167] 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 64 Mb 

قیمت کتاب (تومان) : 83,000



این کتاب تحقیقات اخیر در مورد روش‌های احتمالی در اقتصاد، از یادگیری ماشینی تا تحلیل آماری را ارائه می‌کند. اقتصاد یک رشته بسیار مهم و در عین حال بسیار دشوار است. پیش بینی اینکه چگونه یک اقتصاد چگونه تکامل خواهد یافت یا اقدامات لازم برای شکوفایی اقتصاد را شناسایی کرد، کار آسانی نیست. یکی از دلایل اصلی این امر، سطح بالای عدم اطمینان است: رویدادهای مختلف غیرقابل پیش بینی می توانند بر رفتار اقتصادی آینده تأثیر بگذارند. برای انجام پیش‌بینی‌های خوب و توصیه‌های منطقی، باید این عدم قطعیت در نظر گرفته شود.

در گذشته، بیشتر نتایج تحقیقات مرتبط بر اساس استفاده از تکنیک‌های سنتی از احتمال و آمار، مانند مبتنی بر p-value بود. آزمایش فرضیه. این تکنیک‌ها منجر به کاربردهای موفق متعددی شد، اما در دهه‌های اخیر، نمونه‌های متعددی ظاهر شده است که نشان می‌دهد این تکنیک‌ها اغلب منجر به پیش‌بینی‌های غیرقابل اعتماد و نادرست می‌شوند. بنابراین لازم است تکنیک‌های جدیدی برای پردازش عدم قطعیت مربوطه ارائه شود که فراتر از تکنیک‌های احتمالی سنتی است.

این کتاب بر روی چنین تکنیک‌هایی، کاربردهای اقتصادی آن‌ها و چالش‌های باقی‌مانده تمرکز دارد و هم تحولات نظری مرتبط و هم عملی آنها را ارائه می‌کند. برنامه های کاربردی.

This book presents recent research on probabilistic methods in economics, from machine learning to statistical analysis. Economics is a very important – and at the same a very difficult discipline. It is not easy to predict how an economy will evolve or to identify the measures needed to make an economy prosper. One of the main reasons for this is the high level of uncertainty: different difficult-to-predict events can influence the future economic behavior. To make good predictions and reasonable recommendations, this uncertainty has to be taken into account.

In the past, most related research results were based on using traditional techniques from probability and statistics, such as p-value-based hypothesis testing. These techniques led to numerous successful applications, but in the last decades, several examples have emerged showing that these techniques often lead to unreliable and inaccurate predictions. It is therefore necessary to come up with new techniques for processing the corresponding uncertainty that go beyond the traditional probabilistic techniques.

This book focuses on such techniques, their economic applications and the remaining challenges, presenting both related theoretical developments and their practical applications.