Application of Linear Regression in Predicting Education Level and Income of Residents (Case Study: Desa Padang Cermin)
Notice bibliographique
Résumé
Linear regression methods were used to predict education and income levels in Padang Cermin Desa. Padang Cermin Desa has twelve hamlets and a total of 13,055 residents, with 6,135 men and 6,920 women, and 2545 households. The aim of this study is to raise government and community awareness of the importance of education for welfare and a better life in the future. Using existing data, this study can provide a clear picture of the relationship between education levels and income as well as relevant recommendations to improve the quality of life in Padang Cermin Desa. This research uses a quantitative case study design with secondary data collected through hamlet heads and semi-structured interviews. The linear regression equation Y 36900147.57 + 2516320.971X is based on the MAPE value with a result of 28.25% and an accuracy rate of 71.75%. In the case study of applying linear regression to predict the education level and income of residents, the following are some conclusions: The prediction results show that people with elementary school education are estimated to have an income of 421,897,256.1, while people with secondary school education are estimated to have an income of 311,179,133.4. People who completed a senior high school education are estimated to have the highest income of IDR 457,125,749.7, showing the importance of secondary education. Higher education and vocational education still have the potential to be improved, although the income of the population with education is estimated at IDR 64,579,678.25 for Diploma I/II/III and IDR 79,677,604.08 for Diploma IV/Strata I.
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.
Comment cette classification a été obtenuedéplier
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».