paint-brush
একটি পদ্ধতিগত ESG স্কোরিং সিস্টেম তৈরি করা: ফলাফলদ্বারা@carbonization
200 পড়া

একটি পদ্ধতিগত ESG স্কোরিং সিস্টেম তৈরি করা: ফলাফল

দ্বারা Carbonization Process Evolution Publication2m2024/06/15
Read on Terminal Reader

অতিদীর্ঘ; পড়তে

এই প্রকল্পের লক্ষ্য একটি ডেটা-চালিত ESG মূল্যায়ন সিস্টেম তৈরি করা যা সামাজিক অনুভূতিকে অন্তর্ভুক্ত করে আরও ভাল দিকনির্দেশনা এবং আরও পদ্ধতিগত স্কোর প্রদান করতে পারে।
featured image - একটি পদ্ধতিগত ESG স্কোরিং সিস্টেম তৈরি করা: ফলাফল
Carbonization Process Evolution Publication HackerNoon profile picture
0-item

লেখক:

(1) আরভ প্যাটেল, অ্যামিটি আঞ্চলিক উচ্চ বিদ্যালয় – ইমেল: [email protected];

(2) পিটার গ্লোর, সেন্টার ফর কালেকটিভ ইন্টেলিজেন্স, ম্যাসাচুসেটস ইনস্টিটিউট অফ টেকনোলজি এবং সংশ্লিষ্ট লেখক – ইমেল: [email protected]

লিঙ্কের টেবিল

5. ফলাফল

র্যান্ডম ফরেস্ট রিগ্রেশন মডেলটি 64টি কোম্পানির হোল্ডআউট নমুনাতে পরীক্ষা করার সময় সবচেয়ে শক্তিশালী সামগ্রিক ফলাফল প্রদর্শন করে। র্যান্ডম ফরেস্ট রিগ্রেশন মডেলের বর্তমান এসএন্ডপি গ্লোবাল ইএসজি স্কোরের সাথে সবচেয়ে শক্তিশালী সম্পর্ক ছিল একটি পরিসংখ্যানগতভাবে উল্লেখযোগ্য পারস্পরিক সম্পর্ক সহগ 26.1% এবং একটি গড় পরম গড় ত্রুটি (MAAE) 13.4% (চিত্র 5, 6)। এর মানে হল যে অ্যালগরিদমের একটি পি-মান রয়েছে 0.0372 (<0.05), এটি দেখায় যে এটি বিদ্যমান ESG সমাধানগুলির সাথে ভাল-ক্যালিব্রেট করা হয়েছে। অন্যদিকে, অন্যান্য মডেলের একই রকম MAAE থাকলেও, তাদেরও কম পারস্পরিক সম্পর্ক সহগ রয়েছে যা পরিসংখ্যানগতভাবে তাৎপর্যপূর্ণ বলে প্রমাণিত হয় না (চিত্র 6)। উদাহরণ স্বরূপ, সাপোর্ট ভেক্টর রিগ্রেশন অ্যালগরিদমের পারস্পরিক সম্পর্ক ছিল 18.3% এবং MAAE-এর 13.7%, যার ফলাফল 0.148 এর p-মান (চিত্র 8)। XGBoost মডেলের 16.0% এবং MAAE 14.7% এর একটি পারস্পরিক সম্পর্ক ছিল, যার ফলাফল 0.207 এর p-মান (চিত্র 7)। অবশেষে, কে-নিয়ারেস্ট নেবারস অ্যালগরিদমের একটি পারস্পরিক সম্পর্ক ছিল 13.2% এবং একটি MAAE 14.0%, যা 0.298 এর একটি p-মান (চিত্র 9)। যাইহোক, সমস্ত অ্যালগরিদমের একটি অনুরূপ MAAE ছিল যা 13%-15% এর মধ্যে পড়ে, র‍্যান্ডম ফরেস্ট মডেলের সর্বনিম্ন 13.4% (চিত্র 10)। সমস্ত অ্যালগরিদম 20.0% এর MAAE মানদণ্ডকে অতিক্রম করেছে৷


চিত্র 5: S&P গ্লোবাল ESG স্কোরের বিপরীতে বিভিন্ন মেশিন-লার্নিং অ্যালগরিদমের গড় পরম গড় ত্রুটি


চিত্র 6: বিভিন্ন মেশিন-লার্নিং অ্যালগরিদমের R2 পারস্পরিক সম্পর্ক


চিত্র 7: XGBoost মডেলের ভবিষ্যদ্বাণী v বাস্তব স্কোর (স্কেল 0-100)


চিত্র 8: সমর্থন ভেক্টর রিগ্রেশন পূর্বাভাস v প্রকৃত স্কোর (স্কেল 0-100)


চিত্র 9: K- নিকটতম প্রতিবেশী মডেল ভবিষ্যদ্বাণী v প্রকৃত স্কোর (স্কেল 0-100)


চিত্র 10: র্যান্ডম ফরেস্ট মডেল ভবিষ্যদ্বাণী v বাস্তব স্কোর (স্কেল 0-100)


এই কাগজটি CC BY-NC-ND 4.0 DEED লাইসেন্সের অধীনে arxiv-এ উপলব্ধ