XiaoMi-AI文件搜索系统
World File Search Systemformal
应用机器学习算法预测非正规经济的规模
近来，使用机器学习模型和技术预测经济变量的情况越来越多，其动机是它们比线性模型具有更好的性能。尽管线性模型具有相当大的解释能力的优势，但近年来，人们加大了努力，使机器学习模型更具解释性。本文进行了测试，以确定基于机器学习算法的模型在预测非正规经济规模方面是否比线性模型具有更好的性能。本文还探讨了机器学习模型检测到的最重要的这种规模的决定因素是否与文献中基于传统线性模型检测到的因素相同。为此，从 2004 年到 2014 年，收集并处理了 122 个国家的观测数据。接下来，使用 11 个模型（四个线性模型和七个基于机器学习算法的模型）来预测这些国家非正规经济的规模。使用 Shapley 值计算了预测变量在确定机器学习算法产生的结果中的相对重要性。结果表明：(i)基于机器学习算法的模型比线性模型具有更好的预测性能；(ii)通过 Shapley 值检测到的主要决定因素与文献中使用传统线性模型检测到的主要决定因素一致。
![[取消]基于结构的Bootstrap的基于增强学习的数值方法](/simg/6/68a92c1f6474a47f07b48968084dcd7e7db94a55.webp)
[取消]基于结构的Bootstrap的基于增强学习的数值方法
i将讨论用于在保形的引导程序中数值求解交叉方程的随机优化技术。通过使用增强学习算法来告知这种方法。我将为1D线缺失的CFT提供结果，但也突出显示其更广泛的适用性。
增长，经济结构和非正式性
本文探讨了经济增长与非正式性之间的关系，并强调了GDP增长的作用及其在1991年至2019年的国家数据的水平和非正式发展中的作用。该分析揭示了较弱的关系，尽管区域和收入水平之间存在重要差异。中等收入国家的系数较高。这意味着相同的增长率会根据国家的非非正式性，经济结构或制度和其他变量的水平，对非非正式性产生不同的影响。经济结构似乎是非正式性的关键决定因素，即使在控制内生性之后，使用不同的含量较小的偏差或包括制度变量。这些结果证实了增长的经济结构和形式的模式。这要求制定促进生产结构变化的政策，包括更广泛，更多样化的基础，更经济的复杂性和技术成熟，以确保包容性增长。
Djidonou，R。，N。Foster-McGregor，＆Mathew，N。（2025）。撒哈拉以南非洲的正式信息供应链联系和企业生产力：
•提交的手稿是提交后和同行评审之前的文章版本。提交版本与官方发布的记录版本之间可能存在重要差异。对研究感兴趣的人被建议与作者联系以获取出版物的最终版本，或访问DOI到出版商的网站。•最终的作者版本和厨房证明是同行评审后出版物的版本。•最终发布的版本具有论文的最终布局，包括卷，问题和页码。链接到出版物
经合组织国家的移民、融合和非正规经济
本文从宏观经济角度评估了移民和寻求庇护者流入对东道国非正规部门规模的影响。我们使用了 Medina 和 Schneider ( 2019 ) 以及 Elgin 和 Oztunali ( 2012 ) 提供的两个非正规性指标，结合了经合组织国际移民数据库的移民数据和联合国难民署 1997-2017 年期间的寻求庇护者流动数据。我们估计了一个一阶差分模型，通过从伪重力模型估计中得出的预测值来测量移民和寻求庇护者的流动。结果表明，移民和寻求庇护者的流入都会增加目的地非正规部门的规模，但影响程度非常小：移民占人口的比例每增加一个百分点，非正规部门占 GDP 的比例就会增加 0.05-0.06 个百分点。毫不奇怪，对于寻求庇护者而言，这种影响大约是其四倍，但在经济上仍然微不足道。我们调查了几种潜在渠道，发现融合政策确实很重要。我们发现，进口规范或制度没有影响，但在非正规部门规模较大的目的地国，这种影响更大。最后，我们估计了一个 VAR 模型，发现流入对非正规性的影响是长期的。
随机性，交换性和保形预测
随机性的功能理论是在Vovk [2020]中以非算力的随机性理论的名义提出的。Ran-Domness的算法理论是由Kolmogorov于1960年代启动的[Kolmogorov，1968年]，并已在许多论文和书籍中开发（例如，参见Shen等人。2017）。它一直是直觉的强大来源，但其弱点是对特定通用部分可计算函数的选择的依赖性，这导致其数学结果中存在未指定的加性（有时是乘法）常数。Kolmogorov [1965，Sect。 3] speculated that for natural universal partial computable functions the additive constants will be in hun- dreds rather than in tens of thousands of bits, but this accuracy is very far from being sufficient in machine-learning and statistical applications (an addi- tive constant of 100 in the definition of Kolmogorov complexity leads to the astronomical multiplicative constant of 2 100 in the corresponding p-value). 与VOVK [2020]中提出的未指定常数打交道的方式是表达有关随机性算法作为各种函数类之间关系的算法。 它将在教派中引入。 2。 在本文中，我们将这种方法称为随机性的功能理论。 虽然它在直观的简单性方面失去了一定的损失，但它越来越接近实用的机器学习和统计数据。 读者将不会假设对随机性算法理论的形式知识。 在本文中，我们有兴趣将随机性的功能理论应用于预测。 3。Kolmogorov [1965，Sect。3] speculated that for natural universal partial computable functions the additive constants will be in hun- dreds rather than in tens of thousands of bits, but this accuracy is very far from being sufficient in machine-learning and statistical applications (an addi- tive constant of 100 in the definition of Kolmogorov complexity leads to the astronomical multiplicative constant of 2 100 in the corresponding p-value).与VOVK [2020]中提出的未指定常数打交道的方式是表达有关随机性算法作为各种函数类之间关系的算法。它将在教派中引入。2。在本文中，我们将这种方法称为随机性的功能理论。虽然它在直观的简单性方面失去了一定的损失，但它越来越接近实用的机器学习和统计数据。读者将不会假设对随机性算法理论的形式知识。在本文中，我们有兴趣将随机性的功能理论应用于预测。3。机器学习中最标准的假设是随机性：我们假设观察值是以IID方式生成的（独立且分布相同）。先验弱的假设是交换性的假设，尽管对于无限的数据序列而言，随机性和交换性证明与著名的de Finetti代表定理本质上是等效的。对于有限序列，差异是重要的，这将是我们教派的主题。我们开始讨论在教派中预测的随机性功能理论的应用。2。在其中介绍了置信度预言的概念（稍微修改和推广Vovk等人的术语。2022，Sect。2.1.6）。然后，我们根据三个二分法确定八种置信预测因素：
在具有更长范围相互作用的量子模型的保形歧管上的拓扑过渡
试图显示具有更长范围相互作用的量子ISING模型的共形歧管上的拓扑转变。该模型哈密顿系统具有不同的间隙相位，具有不同的拓扑指数，并且根据横向场的存在和不存在，也具有不同的量子临界线。我们还提供了参数空间不同机制的中心电荷。在存在和不存在横向场的情况下，以及C的非宇宙特征，我们明确显示了关键，拓扑和中央电荷（C）的相互作用。我们显示了在存在横向场的情况下，在存在横向场的情况下，LIFSHITZ过渡是如何发生的。我们明确地表明了保形场理论（CFT）临界性和非CFT临界性的存在。我们提出了一个明确的计算，以找到多项式函数与Anderson-Pseudo自旋模型Hamiltonian之间的关系。我们的结果比非互动的许多人体系统的存在结果更丰富。这项工作不仅提供了保形场理论拓扑状态的新观点，而且还提供了低维量子系统的许多身体系统。
探索巴基斯坦非正规经济的法律和政治制度决定因素
摘要：本文将法律和政治制度变量作为决定因素，确定了巴基斯坦非正规经济的规模。使用 MIMIC 模型，巴基斯坦非正规经济的平均估计值为 1995 年至 2017 年的 37.75%。本研究试图探索非正规经济的制度影响，以便政策制定者减少和控制发展中国家的非正规经济。实证结果表明，衡量非正规经济最重要的法律变量是法律和秩序，最重要的政治变量是政治中的宗教。与现有研究不同，本文详细探讨了制度决定因素，因为这些不同的制度决定因素可能会对发达国家、发展中国家和欠发达国家的非正规经济产生不同的影响。在巴基斯坦等发展中国家，如果在估计中考虑到最相关的制度因素，政策制定过程可能会更有效。