Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Bücher
Zeitschriften
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
MTZ-Fachkongress

Antriebe und Energiesysteme von morgen


Austausch von Automobil- und Energiewirtschaft

Am 14./15. Mai geht es in Chemnitz um die Mobilitätswende durch Elektro- und Wasserstofffahrzeuge.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
An Introduction on Models of Innovation and Analytical Frame Work Kapitel lesen Erstes Kapitel lesen

2020 | OriginalPaper | Buchkapitel

4. Machine Learning Approach to Identify Predictors in an Econometric Model of Innovation

verfasst von : Seyed Mehrshad Parvin Hosseini, Aydin Azizi

Erschienen in: Big Data Approach to Firm Level Innovation in Manufacturing

Verlag: Springer Singapore

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

Two common methods in measuring cross sectional data of innovation will be discussed together with the short comings of these methods when dealing with large sample size. Further, we aim to demonstrate how machine learning application can help us selecting the best appropriate exploratory variables. We elucidate several machine learning applications for predicting the best independent variables. Further implication of Probit and Ordered Probit models were compared with machine learning techniques, by using the most common variables in the literature to analyse the firm level of innovation.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel Firm-Level Innovation: A Conceptual Model to Firm Level Innovation
Nächstes Kapitel Big Data and Innovation; A Case Study on Firm Level Innovation in Manufacturing
Literatur
1.
H.R. Varian, Replication data for: big data: new tricks for econometrics (2019)
2.
H. Varian, Big data: new tricks for econometrics. J. Econ. Perspect. 28(2), 3–28 (2014)
3.
S. Menard, Applied Logistic Regression Analysis, 2 edn., vol. 106 (Sage University Paper, United State of America, 2002), p. 111
4.
D.N. Gujarati, Basic Econometrics, 4th edn, (Sangeetha, ed.) ( McGraw-Hill, New York, 2003), p. 1034
5.
W.H. Greene, Econometric Analysis, 5 edn., vol. 5 (R. Banister, ed.) (Prentice Hall, Pearson Education, New York, 2004), p. 1054
6.
T. Bartus, Estimation of marginal effects using margeff. Stata J. 5(3), 309–329 (2005)CrossRef
7.
D.A. Powers, Y. Xie, Statistical Methods for Categorical Data Analysis, 1 edn. (Emerald Group Publishing, United Kingdom, 2000), pp. 59–78
8.
S.M.P. Hosseini, S. Narayanan, Adoption, adaptive innovation, and creative innovation among SMEs in Malaysian manufacturing. Asian Econ. Pap. 13(2), 32–58 (2014)CrossRef
9.
I.C. Yeh, C.-h. Lien, The comparisons of data mining techniques for the predictive accuracy of probability of default of credit card clients. Expert Syst. Appl. 36(2, Part 1), 2473–2480 (2009)
10.
A. Ozgur, Supervised and unsupervised machine learning techniques for text document categorization. (Unpublished Master’s Thesis, İstanbul: Boğaziçi University, 2004)
11.
T. Hastie, R. Tibshirani, J. Friedman, The elements of statistical learning: data mining, inference, and prediction. (Springer Science & Business Media, 2009)
12.
R. Mora Villarrubia, CRTREES: stata module to compute classification and regression trees algorithms. (2019)
Metadaten
Titel
Machine Learning Approach to Identify Predictors in an Econometric Model of Innovation
verfasst von
Seyed Mehrshad Parvin Hosseini
Aydin Azizi
Copyright-Jahr
2020
Verlag
Springer Singapore
Buch
Big Data Approach to Firm Level Innovation in Manufacturing

Print ISBN: 978-981-15-6299-0

Electronic ISBN: 978-981-15-6300-3

Copyright-Jahr: 2020

DOI
https://doi.org/10.1007/978-981-15-6300-3_4

Premium Partner

    Bildnachweise