Fuzzy demographic analysis using fuzzy regression models based on fuzzy distance–A case on the impact of fuzzy demographic factors on monetary aggregates in Canada versus Japan
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 concern for the relationship between demographic changes and asset markets has increased from beginning of 2000. Many researchers analyze the relationship between demographic changes and asset prices through regression models. Most of these studies apply linguistic terms for each different phase of the life cycle (e.g. late working-aged, elderly, adult, and middle-aged) and then define a specific behaviour for each of these cohorts. Although these terms are vague, all the researchers define them as a crisp set with crisp partitions. Additionally, fuzzy regression methods have attracted growing interest from researchers in various scientific, engineering, and humanities area due to the ambiguity in real data. The motivation of this research is that it is rational to consider and apply fuzzy sets to interpret these linguistic terms instead of the crisp partitions. In this study, we propose and apply a new approach in order to calculate the fuzzy frequency for the linguistic term, which can be useful in any other demographic study. Moreover, new fuzzy regression models are developed. These regression models, that are able to consider both fuzzy and crisp regression coefficients are developed based on applying a fuzzy distance concept in which the distance between two triangular fuzzy numbers (TFNs) or between a TFN and a crisp number is a TFN. Multi-objective optimization helps us to find the results without any compromise. The models are solved using the mathematical programming solver LINGO-16 to derive the fuzzy regression coefficients. We apply these models in a numerical example also in a real case study (fuzzy input, crisp output) in which an investigation on the relationship between fuzzy demographic dynamics and monetary aggregates is made.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,003 | 0,004 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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