استفاده از جنگل تصادفي در آزمون تقريب وسع خانوارها

Using random forest in proxy means test

در اصلاح يارانه هاي قيمت، خانوارهاي واقع در دهك هاي پايين درآمدي در معرضآسيب هاي بيشتري نسبت به ساير خانوارها قرار مي گيرند و از اين رو، دولت ها با ايجاد برنامه هاي حمايتي خاص از اين خانوارها سعي در به حداقل رساندن آثار و تبعات كاهش يا حذف يارانه هاي قيمت دارند. آزمون تقريب وسع از طريق مدل بندي درآمد خانوارها، به خصوص در مواردي كه داده هاي قابل اطمينان و در دسترس از درآمد خانوارها وجود ندارد، ابزاري براي شناسايي خانوارهاي واجد شرايط در برنامه هاي حمايتي دولت است. روش هاي يادگيري ماشين با توجه به پيشرفت هاي فناوري اطلاعات مورد توجه بسياري از محققان در حل مسائلي نظير مدل بندي قرار گرفته است. در اين مقاله به بررسي استفاده از جنگل تصادفي در مدل بندي درآمد خانوار پرداخته و نتايج آن با رگرسيون معمولي مقايسه خواهد شد.

In the reform of price subsidies, households in the lower income deciles are exposed to more suffering than other households and therefore, governments try to minimize the effects of price liberalization or adjusting controlled by creating social protection programs for these households. Proxy means test through household income modeling, especially in cases where reliable and accessible household income data are not available, is a way for identifying eligible households in government social protection programs. Machine learning methods due to the advances in information technology have paid attention to solving problems such as modeling by researchers. In this paper, the use of random forest in household income modeling will be investigated and the results will be compared with an ordinary regression model.