人力资本管理中可能性理论的量化：科学机器学习(SciML)视角
统计方法学
2023-03-21 v3
摘要
本研究通过采用偏微分方程（PDEs）来处理拟人系统的复杂性这一独特方法，探索了机器学习（ML）在人力资源管理（HRM，亦称人力资本管理 HCM）领域的应用。该数学表示提供了对人类活动的稳健评估，并展示了基于贝叶斯的机器学习技术在预测分析应用可视化表示中的潜力。本研究是关于科学机器学习（SciML）的一系列手稿之一，SciML 是一种利用偏微分方程表示物理系统和领域特定数据的方法。在本文中，数据来自具有多态不确定性的非平稳环境。本研究检验的假设为：H1a（原假设）称在给定一组初始条件下协变量的结构不随时间（t）显著变化，而 H1b（备择假设）称在给定一组初始条件下协变量的结构随时间（t）显著变化。H2a（原假设）称条件不会显著影响协变量彼此间的关系，H2b（备择假设）称条件会显著影响协变量彼此间的关系。模型以目标生产率为因变量、日期为自变量使用线性回归分析。结果显示目标生产率与日期之间的关系在统计上显著，为支持 H2b 和 H1b 提供了证据，分别表明条件会显著影响协变量彼此间的关系，且在给定一组初始条件下协变量的结构随时间（t）显著变化。
引用
@article{arxiv.2302.14088,
title = {Possibility Theory Quantification in Human Capital Management: A Scientific Machine Learning (SciML) Perspective},
author = {Barbara Keary and Karriem "A. J. " Perry},
journal= {arXiv preprint arXiv:2302.14088},
year = {2023}
}
备注
32 pages, 4 figures, 4 tables