Data Science methods and models in modern economy

Abstract

EN: In contemporary economics, data science models play a crucial role in analyzing complex relationships, predicting economic trends, and informing policy decisions. This article reviews the most commonly used data science models in economics, including econometric models like linear and logistic regression, Probit and Tobit models, time series analysis models such as ARIMA and Vector Autoregression (VAR), and panel data analysis methods like fixed and random effects models and Difference-in-Differences (DiD). Additionally, it explores machine learning algorithms, clustering and classification techniques, dimensionality reduction methods, Bayesian methods, and natural language processing (NLP) applications. The article highlights their purposes, applications, and relevant works, emphasizing the strengths and limitations of each model. It also discusses the impact of these models across various sectors, including finance, retail, energy, and healthcare. This comprehensive overview underscores the importance of aligning data science models with business objectives, ensuring data quality, investing in scalable technologies, fostering a data-driven culture, and addressing ethical considerations. The article concludes with future research directions, such as advanced neural network architectures, large language models, generative AI models, hybrid models, and the need for interpretable and ethical AI applications in economics. The importance of this topic lies in the transformative potential of data science models to enhance economic analysis and decision-making. By leveraging advanced data science techniques, economists can gain deeper insights into complex economic phenomena, improve forecasting accuracy, and develop more effective policies. As data-driven approaches continue to evolve, they provide powerful tools for addressing critical economic challenges, driving innovation, and fostering sustainable growth across various sectors.

UK: У сучасній економіці моделі на основі Data Science відіграють вирішальну роль в аналізі складних взаємозв'язків, прогнозуванні економічних тенденцій та прийнятті політичних рішень. У статті розглянуто найбільш поширені мо-делі науки про дані в економіці, включаючи економетричні моделі, такі як лінійна та логістична регресія, моделі Probit і Tobit, моделі аналізу часових рядів, такі як ARIMA та векторна авторегресія (VAR), а також методи аналізу панельних даних, такі як фіксовані та випадкові ефекти і методи різниці в різницях (DiD). Крім того, досліджуються алгоритми машинного навчання, методи кластеризації та класифікації, методи зменшення розмірності, байєсівські методи та застосування обробки природної мови (NLP). У статті висвітлено їх призначення, застосування та відповідні роботи, підкреслено сильні та слабкі сторони кожної моделі. Також розглянуто вплив цих моделей у різних секторах, вклю-чаючи фінанси, роздрібну торгівлю, енергетику та охорону здоров'я. Цей комплексний огляд підкреслює важливість узгодження застосування методів та моделей DataScience з бізнес-цілями, забезпечення якості даних, інвестування в масштабовані технології, формування культури, заснованої на даних, та врахування етичних аспектів. У статті робиться висновок про напрями майбутніх досліджень, такі як дослідження особливостей використання розширеної архітектури нейронних мереж, великих мовних моделей, генеративних моделей штучного інтелекту, гібридних моде-лей та необхідність інтерпретованих і етичних застосувань штучного інтелекту в економіці. Важливість цієї теми полягає в трансформаційному потенціалі моделей науки про дані для покращення економічного аналізу та прийнят-тя рішень. Використовуючи передові методи та моделі DataScience, економісти можуть глибше зрозуміти складні економічні явища, покращити точність прогнозування та розробити більш ефективні політики. Оскільки підходи на основі даних продовжують розвиватися, вони надають потужні інструменти для вирішення критичних економічних проблем, стимулювання інновацій та забезпечення сталого зростання в різних секторах