用于研究世界幸福度的网络学习方法
计算机与社会
2020-07-21 v1 机器学习
社会与信息网络
应用统计
摘要
联合国在 2011 年的决议中宣布追求幸福是一项基本人类目标，并提出了以幸福为核心的公共和经济政策。本文中，我们使用两类计算策略，即预测建模和贝叶斯网络（BNs），对联合国自 2012 年以来发布的 156 个国家的 processed 历史幸福指数数据进行建模。我们使用广义回归神经网络（GRNNs）解决预测问题，并表明其优于其他最先进的预测模型。为了理解已被证明对世界幸福度有显著影响的关键特征之间的因果联系，我们首先使用手动离散化方案将连续变量离散化为低、中、高三个等级。随后，通过自助法学习 10000 个不同的 BN 并融合信息，确定了共识性的世界幸福 BN 结构。最后，通过该 BN 上的条件概率查询进行精确推断，揭示了影响幸福度的重要特征之间有趣的关系，这将有助于政策制定。
引用
@article{arxiv.2007.09181,
title = {Network Learning Approaches to study World Happiness},
author = {Siddharth Dixit and Meghna Chaudhary and Niteesh Sahni},
journal= {arXiv preprint arXiv:2007.09181},
year = {2020}
}
备注
13 Pages, 8 figures