Evaluation of traditional and machine learning models in forecasting women's unemployment rate

Abstract

Αυτή η μελέτη επικεντρώνεται στην ανάλυση και πρόβλεψη του ποσοστού ανεργίας χρησιμοποιώντας τόσο παραδοσιακά όσο και μοντέλα μηχανικής μάθησης. Συγκεκριμένα, εφαρμόζονται τα μοντέλα ARIMA, SARIMA, Elastic Net, Random Forest και XGBoost, με δεδομένα από το 1948 έως το 2024. Αρχικά, χρησιμοποιείται η μέθοδος Grid Search για την εύρεση των βέλτιστων υπερπαραμέτρων για κάθε μοντέλο, και στη συνέχεια πραγματοποιείται επαναληπτική πρόβλεψη εντός δείγματος για την εκτίμηση του συνόλου ελέγχου. Τα αποτελέσματα δείχνουν ότι το μοντέλο SARIMA (από τα παραδοσιακά μοντέλα) και το μοντέλο Elastic Net (από τη μηχανική μάθηση) παρουσίασαν την καλύτερη απόδοση, με τα μικρότερα σφάλματα πρόβλεψης, καθιστώντας τα τα πιο αξιόπιστα για την πρόβλεψη του ποσοστού ανεργίας των γυναικών.

This study focuses on the analysis and prediction of the unemployment rate using both traditional and machine learning models. Specifically, ARIMA, SARIMA, Elastic Net, Random Forest, and XGBoost models are employed using data from 1948 to 2024. Initially, Grid Search is applied to identify the optimal hyperparameters for each model, followed by recursive in-sample forecasting to predict the test set. The results show that the SARIMA model (from traditional models) and the Elastic Net model (from machine learning) exhibited the best performance, with the smallest forecast errors, making them the most reliable for predicting the unemployment rate for women.