About the Method of Analysis of Economic Correlations by Differentiation of Spline Models
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The article considers spline approximation as one of efficient methods of modeling economic dynamics. Spline approximation of economic dynamics allows carrying out qualitative and accurate transition from discrete values of a lattice function to a continuous model of a process, which allows calculating values of a studied index at any time point (interpolation). Spline representation improves the quality of economic dynamics modeling while saving the real values of the studied process at each time point. In this article, differentiation of spline models is used for analysis of the economic indexes growth rate. Correlations are detected and itemized by comparison of derivatives. The possibility of detecting "latent trends" is demonstrated by differentiation of spline models of the dynamics using the example of economic indexes of the oil and gas market of Russia. For example, in the first case, we consider spline models of the dynamics of export prices for oil and natural gas. Here, the correlation of the studied indexes is obvious and is detected by both calculation of the correlation ratio and visualization of the studied rows of dynamics with spline models. As an opposite example, we consider the dynamics of the volumes of oil and natural gas export. In this case, we gain the correlation ratio close to zero, which is to evidence absence of correlation. Modeling of the studied dynamics with cubic splines also does not detect any correlation between the dynamics of volumes of the oil and gas export. Our assumptions about "latent trends" are also confirmed by differentiation of spline models – the correlation between the change rate of the volumes of the oil and gas export is detected. Use of spline functions at economic dynamics modeling is determined with such positive properties of theirs as continuity, flexibility, differentiability, the property of minimal curve, etc.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle