МЕТОДИ ТА МОДЕЛІ DATA SCIENCE В СУЧАСНІЙ ЕКОНОМІЦІ
Ключові слова:
Data Science, методи і моделі, методи Data Science, моделі Data Science, сучасна економікаАнотація
У сучасній економіці моделі на основі Data Science відіграють вирішальну роль в аналізі складних взаємозв'язків,
прогнозуванні економічних тенденцій та прийнятті політичних рішень. У статті розглянуто найбільш поширені мо-
делі науки про дані в економіці, включаючи економетричні моделі, такі як лінійна та логістична регресія, моделі Probit і
Tobit, моделі аналізу часових рядів, такі як ARIMA та векторна авторегресія (VAR), а також методи аналізу панельних
даних, такі як фіксовані та випадкові ефекти і методи різниці в різницях (DiD). Крім того, досліджуються алгоритми
машинного навчання, методи кластеризації та класифікації, методи зменшення розмірності, байєсівські методи та
застосування обробки природної мови (NLP). У статті висвітлено їх призначення, застосування та відповідні роботи,
підкреслено сильні та слабкі сторони кожної моделі. Також розглянуто вплив цих моделей у різних секторах, вклю-
чаючи фінанси, роздрібну торгівлю, енергетику та охорону здоров'я. Цей комплексний огляд підкреслює важливість
узгодження застосування методів та моделей Data Science з бізнес-цілями, забезпечення якості даних, інвестування
в масштабовані технології, формування культури, заснованої на даних, та врахування етичних аспектів. У статті
робиться висновок про напрями майбутніх досліджень, такі як дослідження особливостей використання розширеної
архітектури нейронних мереж, великих мовних моделей, генеративних моделей штучного інтелекту, гібридних моде-
лей та необхідність інтерпретованих і етичних застосувань штучного інтелекту в економіці. Важливість цієї теми
полягає в трансформаційному потенціалі моделей науки про дані для покращення економічного аналізу та прийнят-
тя рішень. Використовуючи передові методи та моделі Data Science, економісти можуть глибше зрозуміти складні
економічні явища, покращити точність прогнозування та розробити більш ефективні політики. Оскільки підходи на
основі даних продовжують розвиватися, вони надають потужні інструменти для вирішення критичних економічних
проблем, стимулювання інновацій та забезпечення сталого зростання в різних секторах.
Посилання
Kiv A. E., Soloviev V. N., Semerikov S. O., Danylchuk H. B., Kibalnyk, L. O., Matviychuk A. V., Striuk A. M. (2021)
Machine learning for prediction of emergent economy dynamics / In A. E. Kiv, V. N. Soloviev, S. O. Semerikov (Eds.) Proceedings
of the Selected and Revised Papers of 9th International Conference on Monitoring, Modeling & Management of Emergent Economy
(M3E2-MLPEED 2021), Odessa, Ukraine, May 26-28, 2021 (Vol. 3048, pp. i-xxxi). CEUR Workshop Proceedings. Available at:
http://ceur-ws.org/Vol-3048/paper00.pdf
Nosratabadi S., Mosavi A., Duan P., Ghamisi P., Filip F., Shahab S., Band S., Reuter U., Gama J., Gandomi A. H. (2020) Data
science in economics: Comprehensive review of advanced machine learning and deep learning methods. Mathematics, no. 8(10). DOI:
https://doi.org/10.3390/MATH8101799
Nosratabadi S., Mosavi A., Duan P., Ghamisi P. (2020) Data science in economics. arXiv: General Finance. DOI:
https://doi.org/10.21203/RS.3.RS-27318/V1
Consoli S., Recupero D. R., Saisana, M. (2021) Data science for economics and finance: Methodologies and applications. DOI:
https://doi.org/10.1007/978-3-030-66891-4
Domyan E. N. (2022) Technique for data analysis and modeling in economics, finance and business using machine learning
methods. SUMMA. DOI: https://doi.org/10.1109/summa57301.2022.9973885
Barbaglia L., Consoli S., Manzan S., Reforgiato Recupero D., Saisana M., Tiozzo Pezzoli L. (2021) Data science technologies in
economics and finance: A gentle walk-in. In Data Science for Economics and Finance (pp. 1–17). DOI: https://doi.org/10.1007/978-3-
-66891-4_1
Baldelovar M. A. (2022) Assessing data science's application to economic theory. Technoarete Transactions on Advances in Data
Science and Analytics, no. 1(2). DOI: https://doi.org/10.36647/ttadsa/01.02.a005
Tarasov O. F., Turlakova S. S. (2018) Mathematical modelling of advanced engineering technologies for smart enterprises:
An overview of approaches and ways of implementation. Economy of Industry.
Vishnevskyi V. P., Dasiv A. F., Okhten O. O., Turlakova, S. S. (2022) Industrialne maibutnie Ukrainy: peredbachennia metodamy
matematychnoho modeliuvannia [The industrial future of Ukraine: Predictions using mathematical modeling methods]. Kyiv:
NAN Ukrainy, Instytut ekonomiky prom-sti. (in Ukrainian)
Wooldridge J. M. (2002) Econometric analysis of cross section and panel data. MIT Press. London, England.
Hosmer D. W., Lemeshow S., Sturdivant R. X. (2013) Applied logistic regression (3rd ed.). Wiley.
Koop G. (2005) Analysis of economic data (3rd ed.). Wiley.
Hamilton J. D. (1994) Time series analysis. Princeton University Press.
Lütkepohl H. (2005) New introduction to multiple time series analysis. Springer.
Hyndman R. J., Athanasopoulos G. (2021) Forecasting: Principles and practice (3rd ed.). OTexts. Available at:
Arellano M. (2003) Panel data econometrics. Oxford University Press.
Angrist J. D., Pischke J.-S. (2008) Mostly harmless econometrics: An empiricist's companion. Princeton University Press.
Hastie T., Tibshirani R., Friedman J. (2009) The elements of statistical learning (2nd ed.). Springer.
Schölkopf B., Smola A. J. (2002) Learning with kernels: Support vector machines, regularization, optimization, and beyond.
MIT Press.
Bishop C. M. (1995) Neural networks for pattern recognition. Oxford University Press.
Lopez de Prado M. (2018) Advances in financial machine learning. Wiley.
Witten I. H., Frank E., Hall, M. A. (2011) Data mining: Practical machine learning tools and techniques (3-rd ed.). Morgan
Kaufmann.
Manly B. F. J. (2004) Multivariate statistical methods: A primer (3rd ed.). Chapman and Hall/CRC.
Aggarwal C. C., Reddy, C. K. (2013) Data clustering: Algorithms and applications. CRC Press.
Faraway J. J. (2014) Modern multivariate statistical techniques: Regression, classification, and manifold learning. Chapman
and Hall/CRC.
Cudeck R., MacCallum R. (Eds.). (2007) Factor analysis at 100: Historical developments and future directions. Lawrence
Erlbaum Associates.
Gelman A., Carlin J. B., Stern H. S., Dunson D. B., Vehtari A., Rubin D. B. (2013) Bayesian data analysis (3rd ed.). CRC Press.
Berry M. W., Kogan J. (Eds.). (2010) Text mining: Applications and theory. Wiley.
Blei D. M., Ng A. Y., Jordan M. I. (2003) Latent Dirichlet allocation. Journal of Machine Learning Research, no. 3(Jan),
pp. 993–1022.
Walsh B., Lynch M. (2018) Evolution and selection of quantitative traits. Oxford University Press.
Wood S. N. (2017) Generalized additive models: An introduction with R (2nd ed.). Chapman and Hall/CRC.
Blei D. M. (2012) Probabilistic topic models. Communications of the ACM, no. 55(4), pp. 77–84.
Morgan J.P. (2023) J.P. Morgan's annual report. Available at: https://www.jpmorganchase.com/ir/annual-report
Walmart (2023) Walmart's business intelligence strategy. Retri Available at: https://corporate.walmart.com/newsroom
PG&E (2023) PG&E energy statements. Available at: https://www.pge.com/about/newsroom/
Federal Reserve Bank (2023) Federal Reserve Bank research. Available at: https://www.federalreserve.gov/econres.htm
Johns Hopkins Medicine (2023) Johns Hopkins Medicine news. Available at: https://www.hopkinsmedicine.org/news
