江西省精准扶贫中的贫困户识别研究
发布时间:2021-03-30 01:42
自1986年以来,中国不断推进扶贫开发工作,经过这些年的努力,已经在扶贫成效方面取得了巨大的成就。为了更深入解决新时期的贫困问题,2013年十八届五中全会又提出了“精准扶贫”的思想,并出台了一系列精准扶贫政策,全国各省市也积极响应国家的号召,致力于打好脱贫攻坚战。革命老区江西省是我国农村人口大省之一,也是我国扶贫开发工作的主战场,为了确保扶贫工作能够精准执行,江西省政府实施了相应的措施,致力于使得政策落实到村到户。然而在实践中发现,由于很难从家庭和住户的层面去获取到可靠的收入和支出信息,并且长期以来贫困投资项目的实施主要依赖区域目标的瞄准。由此导致严重的覆盖不完全和漏出问题,需要一种更简单和更有效的贫困瞄准方法来识别贫困家庭。目前已有一些学者将识别模型运用到贫困户识别的过程中,但我国的贫困户识别模型大部分还是运用Logistic回归来建立模型,但这种建立在假设基础上的回归模型很容易产生误差,导致识别不精准。对此,本文在前人研究的基础上,对江西省精准扶贫中贫困户识别模型做了进一步的探讨。在理论上,介绍了当前精准扶贫的相关研究和将机器学习算法应用于各大领域的相关研究,并探讨了随机森林和支持...
【文章来源】:江西财经大学江西省
【文章页数】:61 页
【学位级别】:硕士
【部分图文】:
图21分布函数和概率密度函数
本节主要介绍ogistic回归的分布、模型以及对模型参数的估计,主要参考王星(2014)[40]。(1) ogistic分布设随机变量X的分布函数为 2.1 式,概率密度函数为 2.2 式,则认为X服从ogistic分布,它的分布函数和概率密度函数的图形图见 2.1。 ( ) =11 ( ) (2 1) ′( ) = ( ) =1 ( ) (1 ( ) )2(2 2)其中参数μ表示location,控制分布函数的中心位置,或概率密度函数对称轴的位置,如图 2.2 所示;参数 表示scale,控制 ( )的宽和高,值越大, ( )越矮越胖,如图 2.3 所示。
本节主要介绍ogistic回归的分布、模型以及对模型参数的估计,主要参考王星(2014)[40]。(1) ogistic分布设随机变量X的分布函数为 2.1 式,概率密度函数为 2.2 式,则认为X服从ogistic分布,它的分布函数和概率密度函数的图形图见 2.1。 ( ) =11 ( ) (2 1) ′( ) = ( ) =1 ( ) (1 ( ) )2(2 2)其中参数μ表示location,控制分布函数的中心位置,或概率密度函数对称轴的位置,如图 2.2 所示;参数 表示scale,控制 ( )的宽和高,值越大, ( )越矮越胖,如图 2.3 所示。
本文编号:3108603
【文章来源】:江西财经大学江西省
【文章页数】:61 页
【学位级别】:硕士
【部分图文】:
图21分布函数和概率密度函数
本节主要介绍ogistic回归的分布、模型以及对模型参数的估计,主要参考王星(2014)[40]。(1) ogistic分布设随机变量X的分布函数为 2.1 式,概率密度函数为 2.2 式,则认为X服从ogistic分布,它的分布函数和概率密度函数的图形图见 2.1。 ( ) =11 ( ) (2 1) ′( ) = ( ) =1 ( ) (1 ( ) )2(2 2)其中参数μ表示location,控制分布函数的中心位置,或概率密度函数对称轴的位置,如图 2.2 所示;参数 表示scale,控制 ( )的宽和高,值越大, ( )越矮越胖,如图 2.3 所示。
本节主要介绍ogistic回归的分布、模型以及对模型参数的估计,主要参考王星(2014)[40]。(1) ogistic分布设随机变量X的分布函数为 2.1 式,概率密度函数为 2.2 式,则认为X服从ogistic分布,它的分布函数和概率密度函数的图形图见 2.1。 ( ) =11 ( ) (2 1) ′( ) = ( ) =1 ( ) (1 ( ) )2(2 2)其中参数μ表示location,控制分布函数的中心位置,或概率密度函数对称轴的位置,如图 2.2 所示;参数 表示scale,控制 ( )的宽和高,值越大, ( )越矮越胖,如图 2.3 所示。
本文编号:3108603
本文链接:https://www.wllwen.com/jingjilunwen/nongyejingjilunwen/3108603.html