استفاده از جنگل تصادفی در آزمون تقریب وسع خانوارها

در اصلاح یارانه های قیمت، خانوارهای واقع در دهک های پایین درآمدی در معرضآسیب های بیشتری نسبتبه سایر خانوارها قرار می گیرند و از این رو، دولت ها با ایجاد برنامه های حمایتی خاص از این خانوارها سعی در بهحداقل رساندن آثار و تبعات کاهش یا حذف یارانه های قیمت دارند. آزمون تقریب وسع از طریق مدل بندی درآمدخانوارها، به خصوص در مواردی که داده های قابل اطمینان و در دسترس از درآمد خانوارها وجود ندارد، ابزاری برایشناسایی خانوارهای واجد شرایط در برنامه های حمایتی دولت است. روش های یادگیری ماشین با توجه به پیشرفت هایفناوری اطلاعات مورد توجه بسیاری از محققان در حل مسائلی نظیر مدل بندی قرار گرفته است. در این مقاله به بررسیاستفاده از جنگل تصادفی در مدل بندی درآمد خانوار پرداخته و نتایج آن با رگرسیون معمولی مقایسه خواهد شد.

using random forest in proxy means test

in the reform of price subsidies, households in the lower income deciles are exposedto more suffering than other households and therefore, governments try to minimize theeffects of price liberalization or adjusting controlled by creating social protection programsfor these households. proxy means test through household income modeling, especially incases where reliable and accessible household income data are not available, is a way foridentifying eligible households in government social protection programs. machine learningmethods due to the advances in information technology have paid attention to solving problemssuch as modeling by researchers. in this paper, the use of random forest in householdincome modeling will be investigated and the results will be compared with an ordinary regressionmodel.