GlobalSearchRegression.jl: Building bridges between Machine Learning and Econometrics in Fat-Data scenarios

Autores
Panigo, Demian Tupac; Gluzmann, Pablo Alfredo; Mocskos, Esteban Eduardo; Mauri Ungaro, Adán; Mari, Valentin; Monzon, Nicolás
Año de publicación
2020
Idioma
inglés
Tipo de recurso
artículo
Estado
versión publicada
Descripción
The aim of this paper is twofold. The first one is to describe a novel research-project designed for building bridges between machine learning and econometric worlds (ModelSelection.jl).The second one is to introduce the main characteristics and comparative performance of the first Julia-native all-subset regression algorithm included in GlobalSearchRegression.jl (v1.0.5). As other available alternatives, this algorithm allows researchers to obtain the best model specification among all possible covariate combinations - in terms of user defined information criteria-, but up to 3165 and 197 times faster than STATA and R alternatives, respectively.
Fil: Panigo, Demian Tupac. Universidad Nacional de la Plata. Facultad de Ingenieria. Instituto Malvinas.; Argentina. Consejo Nacional de Investigaciones Científicas y Técnicas. Oficina de Coordinación Administrativa Saavedra 15. Centro de Innovación de los Trabajadores. Universidad Metropolitana para la Educación y el Trabajo. Centro de Innovación de los Trabajadores; Argentina
Fil: Gluzmann, Pablo Alfredo. Universidad Nacional de La Plata. Facultad de Ciencias Económicas. Departamento de Ciencias Económicas. Centro de Estudios Distributivos Laborales y Sociales; Argentina. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - La Plata; Argentina
Fil: Mocskos, Esteban Eduardo. Consejo Nacional de Investigaciones Científicas y Técnicas; Argentina. Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales. Departamento de Computación; Argentina
Fil: Mauri Ungaro, Adán. Universidad Nacional de La Plata; Argentina
Fil: Mari, Valentin. Universidad Nacional de La Plata; Argentina
Fil: Monzon, Nicolás. Universidad Nacional de La Plata; Argentina. Universidad Nacional de Avellaneda; Argentina
Materia
PARALLEL COMPUTING
ECONOMETRICS
MACHINE LEARNING
FAT-DATA
Nivel de accesibilidad
acceso abierto
Condiciones de uso
https://creativecommons.org/licenses/by/2.5/ar/
Repositorio
CONICET Digital (CONICET)
Institución
Consejo Nacional de Investigaciones Científicas y Técnicas
OAI Identificador
oai:ri.conicet.gov.ar:11336/211320
Acceder
id CONICETDig_77b9f7c6c7b3f5d195f9bbc7f1fa3770
oai_identifier_str oai:ri.conicet.gov.ar:11336/211320
network_acronym_str CONICETDig
repository_id_str 3498
network_name_str CONICET Digital (CONICET)
spelling GlobalSearchRegression.jl: Building bridges between Machine Learning and Econometrics in Fat-Data scenariosPanigo, Demian TupacGluzmann, Pablo AlfredoMocskos, Esteban EduardoMauri Ungaro, AdánMari, ValentinMonzon, NicolásPARALLEL COMPUTINGECONOMETRICSMACHINE LEARNINGFAT-DATAhttps://purl.org/becyt/ford/5.2https://purl.org/becyt/ford/5The aim of this paper is twofold. The first one is to describe a novel research-project designed for building bridges between machine learning and econometric worlds (ModelSelection.jl).The second one is to introduce the main characteristics and comparative performance of the first Julia-native all-subset regression algorithm included in GlobalSearchRegression.jl (v1.0.5). As other available alternatives, this algorithm allows researchers to obtain the best model specification among all possible covariate combinations - in terms of user defined information criteria-, but up to 3165 and 197 times faster than STATA and R alternatives, respectively.Fil: Panigo, Demian Tupac. Universidad Nacional de la Plata. Facultad de Ingenieria. Instituto Malvinas.; Argentina. Consejo Nacional de Investigaciones Científicas y Técnicas. Oficina de Coordinación Administrativa Saavedra 15. Centro de Innovación de los Trabajadores. Universidad Metropolitana para la Educación y el Trabajo. Centro de Innovación de los Trabajadores; ArgentinaFil: Gluzmann, Pablo Alfredo. Universidad Nacional de La Plata. Facultad de Ciencias Económicas. Departamento de Ciencias Económicas. Centro de Estudios Distributivos Laborales y Sociales; Argentina. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - La Plata; ArgentinaFil: Mocskos, Esteban Eduardo. Consejo Nacional de Investigaciones Científicas y Técnicas; Argentina. Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales. Departamento de Computación; ArgentinaFil: Mauri Ungaro, Adán. Universidad Nacional de La Plata; ArgentinaFil: Mari, Valentin. Universidad Nacional de La Plata; ArgentinaFil: Monzon, Nicolás. Universidad Nacional de La Plata; Argentina. Universidad Nacional de Avellaneda; ArgentinaJuliacon2020-06info:eu-repo/semantics/articleinfo:eu-repo/semantics/publishedVersionhttp://purl.org/coar/resource_type/c_6501info:ar-repo/semantics/articuloapplication/pdfapplication/pdfhttp://hdl.handle.net/11336/211320Panigo, Demian Tupac; Gluzmann, Pablo Alfredo; Mocskos, Esteban Eduardo; Mauri Ungaro, Adán; Mari, Valentin; et al.; GlobalSearchRegression.jl: Building bridges between Machine Learning and Econometrics in Fat-Data scenarios; Juliacon; Proceedings of the JuliaCon Conferences; 2; 53; 6-2020; 1-62642-4029CONICET DigitalCONICETenginfo:eu-repo/semantics/altIdentifier/doi/10.21105/jcon.00053info:eu-repo/semantics/altIdentifier/url/https://proceedings.juliacon.org/papers/10.21105/jcon.00053info:eu-repo/semantics/openAccesshttps://creativecommons.org/licenses/by/2.5/ar/reponame:CONICET Digital (CONICET)instname:Consejo Nacional de Investigaciones Científicas y Técnicas2025-09-03T10:04:11Zoai:ri.conicet.gov.ar:11336/211320instacron:CONICETInstitucionalhttp://ri.conicet.gov.ar/Organismo científico-tecnológicoNo correspondehttp://ri.conicet.gov.ar/oai/requestdasensio@conicet.gov.ar; lcarlino@conicet.gov.arArgentinaNo correspondeNo correspondeNo correspondeopendoar:34982025-09-03 10:04:11.881CONICET Digital (CONICET) - Consejo Nacional de Investigaciones Científicas y Técnicasfalse
dc.title.none.fl_str_mv GlobalSearchRegression.jl: Building bridges between Machine Learning and Econometrics in Fat-Data scenarios
title GlobalSearchRegression.jl: Building bridges between Machine Learning and Econometrics in Fat-Data scenarios
spellingShingle GlobalSearchRegression.jl: Building bridges between Machine Learning and Econometrics in Fat-Data scenarios
Panigo, Demian Tupac
PARALLEL COMPUTING
ECONOMETRICS
MACHINE LEARNING
FAT-DATA
title_short GlobalSearchRegression.jl: Building bridges between Machine Learning and Econometrics in Fat-Data scenarios
title_full GlobalSearchRegression.jl: Building bridges between Machine Learning and Econometrics in Fat-Data scenarios
title_fullStr GlobalSearchRegression.jl: Building bridges between Machine Learning and Econometrics in Fat-Data scenarios
title_full_unstemmed GlobalSearchRegression.jl: Building bridges between Machine Learning and Econometrics in Fat-Data scenarios
title_sort GlobalSearchRegression.jl: Building bridges between Machine Learning and Econometrics in Fat-Data scenarios
dc.creator.none.fl_str_mv Panigo, Demian Tupac
Gluzmann, Pablo Alfredo
Mocskos, Esteban Eduardo
Mauri Ungaro, Adán
Mari, Valentin
Monzon, Nicolás
author Panigo, Demian Tupac
author_facet Panigo, Demian Tupac
Gluzmann, Pablo Alfredo
Mocskos, Esteban Eduardo
Mauri Ungaro, Adán
Mari, Valentin
Monzon, Nicolás
author_role author
author2 Gluzmann, Pablo Alfredo
Mocskos, Esteban Eduardo
Mauri Ungaro, Adán
Mari, Valentin
Monzon, Nicolás
author2_role author
author
author
author
author
dc.subject.none.fl_str_mv PARALLEL COMPUTING
ECONOMETRICS
MACHINE LEARNING
FAT-DATA
topic PARALLEL COMPUTING
ECONOMETRICS
MACHINE LEARNING
FAT-DATA
purl_subject.fl_str_mv https://purl.org/becyt/ford/5.2
https://purl.org/becyt/ford/5
dc.description.none.fl_txt_mv The aim of this paper is twofold. The first one is to describe a novel research-project designed for building bridges between machine learning and econometric worlds (ModelSelection.jl).The second one is to introduce the main characteristics and comparative performance of the first Julia-native all-subset regression algorithm included in GlobalSearchRegression.jl (v1.0.5). As other available alternatives, this algorithm allows researchers to obtain the best model specification among all possible covariate combinations - in terms of user defined information criteria-, but up to 3165 and 197 times faster than STATA and R alternatives, respectively.
Fil: Panigo, Demian Tupac. Universidad Nacional de la Plata. Facultad de Ingenieria. Instituto Malvinas.; Argentina. Consejo Nacional de Investigaciones Científicas y Técnicas. Oficina de Coordinación Administrativa Saavedra 15. Centro de Innovación de los Trabajadores. Universidad Metropolitana para la Educación y el Trabajo. Centro de Innovación de los Trabajadores; Argentina
Fil: Gluzmann, Pablo Alfredo. Universidad Nacional de La Plata. Facultad de Ciencias Económicas. Departamento de Ciencias Económicas. Centro de Estudios Distributivos Laborales y Sociales; Argentina. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - La Plata; Argentina
Fil: Mocskos, Esteban Eduardo. Consejo Nacional de Investigaciones Científicas y Técnicas; Argentina. Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales. Departamento de Computación; Argentina
Fil: Mauri Ungaro, Adán. Universidad Nacional de La Plata; Argentina
Fil: Mari, Valentin. Universidad Nacional de La Plata; Argentina
Fil: Monzon, Nicolás. Universidad Nacional de La Plata; Argentina. Universidad Nacional de Avellaneda; Argentina
description The aim of this paper is twofold. The first one is to describe a novel research-project designed for building bridges between machine learning and econometric worlds (ModelSelection.jl).The second one is to introduce the main characteristics and comparative performance of the first Julia-native all-subset regression algorithm included in GlobalSearchRegression.jl (v1.0.5). As other available alternatives, this algorithm allows researchers to obtain the best model specification among all possible covariate combinations - in terms of user defined information criteria-, but up to 3165 and 197 times faster than STATA and R alternatives, respectively.
publishDate 2020
dc.date.none.fl_str_mv 2020-06
dc.type.none.fl_str_mv info:eu-repo/semantics/article
info:eu-repo/semantics/publishedVersion
http://purl.org/coar/resource_type/c_6501
info:ar-repo/semantics/articulo
format article
status_str publishedVersion
dc.identifier.none.fl_str_mv http://hdl.handle.net/11336/211320
Panigo, Demian Tupac; Gluzmann, Pablo Alfredo; Mocskos, Esteban Eduardo; Mauri Ungaro, Adán; Mari, Valentin; et al.; GlobalSearchRegression.jl: Building bridges between Machine Learning and Econometrics in Fat-Data scenarios; Juliacon; Proceedings of the JuliaCon Conferences; 2; 53; 6-2020; 1-6
2642-4029
CONICET Digital
CONICET
url http://hdl.handle.net/11336/211320
identifier_str_mv Panigo, Demian Tupac; Gluzmann, Pablo Alfredo; Mocskos, Esteban Eduardo; Mauri Ungaro, Adán; Mari, Valentin; et al.; GlobalSearchRegression.jl: Building bridges between Machine Learning and Econometrics in Fat-Data scenarios; Juliacon; Proceedings of the JuliaCon Conferences; 2; 53; 6-2020; 1-6
2642-4029
CONICET Digital
CONICET
dc.language.none.fl_str_mv eng
language eng
dc.relation.none.fl_str_mv info:eu-repo/semantics/altIdentifier/doi/10.21105/jcon.00053
info:eu-repo/semantics/altIdentifier/url/https://proceedings.juliacon.org/papers/10.21105/jcon.00053
dc.rights.none.fl_str_mv info:eu-repo/semantics/openAccess
https://creativecommons.org/licenses/by/2.5/ar/
eu_rights_str_mv openAccess
rights_invalid_str_mv https://creativecommons.org/licenses/by/2.5/ar/
dc.format.none.fl_str_mv application/pdf
application/pdf
dc.publisher.none.fl_str_mv Juliacon
publisher.none.fl_str_mv Juliacon
dc.source.none.fl_str_mv reponame:CONICET Digital (CONICET)
instname:Consejo Nacional de Investigaciones Científicas y Técnicas
reponame_str CONICET Digital (CONICET)
collection CONICET Digital (CONICET)
instname_str Consejo Nacional de Investigaciones Científicas y Técnicas
repository.name.fl_str_mv CONICET Digital (CONICET) - Consejo Nacional de Investigaciones Científicas y Técnicas
repository.mail.fl_str_mv dasensio@conicet.gov.ar; lcarlino@conicet.gov.ar
_version_ 1842269842451726336
score 13.13397

Publicaciones similares