| Аннотация | В работе рассматривается возможность использования показателей патентной активности при прогнозировании инвестиций в основной капитал. Сравнительный анализ точности прогнозов классических эконометрических моделей (случайного блуждания, ARIMA, ARIMAX) и методов машинного обучения (гребневой регрессии, случайного леса, а также различных типов бустинга, таких как AdaBoost, Gradient Boosting, XGBoost, LightGBM, CatBoost) с учетом и без учета переменных патентной активности показывает, что включение этих переменных в модели повышает точность краткосрочного прогноза инвестиций. Наименьшую ошибку прогноза по сравнению с другими моделями демонстрирует метод CatBoost, учитывающий патентную активность. Результаты анализа также подтверждают, что переменные патентной активности значимо и положительно влияют на инвестиции в основной капитал.
|
|---|