文摘
随着行业4.0,经济发展已经成为一个快速的信息时代。宏观经济预测的内容是非常广泛的,大数据技术的存在可以为政府提供多层次,多元化,全面和完整的信息流程,整合,总结,并对这些作品进行分类的信息。本文预期CPI值在未来12个月内根据中国的CPI在最近的20年。与传统的预测方法相比,预测结果有较高的准确性和及时性。同时,工业增加值增长率的趋势分析,和梅和RMSE实验表明,本文提出的方法具有明显的优势。还分析了传统的心理决策行为分析的缺点,介绍了大数据驱动的发展现状和优势心理决策行为分析,并开辟了新的研究思想心理决策分析。
1。介绍
大数据技术使宏观经济预测的方法更准确和有效的。大数据技术可以为国家发展战略提供数据资源,还可以帮助判断整个经济形势的发展在一定程度上。到目前为止,心理学已经取得了巨大成就。然而,在发展过程中,由于客观因素的限制,许多问题逐渐出现。传统的研究模式,促进了心理学的发展在过去已经成为心理学发展的一大障碍。大数据的出现提供了一个新的研究路线的发展心理学和心理学的发展创造了有利条件。
宏观经济数据中扮演一个重要的角色在这个国家的支持各部门的决策,但这些数据的及时性是相对贫穷的1),它通常是季度数据,因此如何提高其及时性尤为紧迫。mixed-frequency数据方法用于分析和预测宏观经济数据,和高频数据和mixed-frequency数据采样,然后进行分析。研究表明,mixed-frequency模型优于积分自回归移动平均模型作为我们的基准模型在大多数情况下。随着经济的快速发展,大量的数据集已经生产的生产。有必要科学地分析这些数据集,然后探索新见解,这就需要新的建模技术来分析数据(2]。讨论后,研究人员和管理人员来自不同背景和字段总结了大数据技术的最新应用在经济和金融领域和未来的研究方面和地方。传统管理信息系统不能满足不同用户对不同的决策分析的需求,因为这个决定需要分为不同的水平或有特殊需要3]。一种新型的决策支持系统(DSS)是一个模块化的设计决策支持系统基于数据和在线处理和分析系统。研究人员为OLAP分析和建立多维数据集提出了一种支持向量机加速度边界样本选择算法。测试表明,数据挖掘对经济预测效果好,值得推广。目前,邮轮旅游在中国的发展速度正在放缓缓慢,和相应的投资游轮和港口也有很大的风险,所以提前预测投资需求是决策的前提。最小二乘支持向量回归模型基于引力搜索算法(LSSVR-GSA)是基于大数据等数据和经济指标。实验表明,该框架是可行的和大数据可以用来作为预测工具(4]。字嵌入和深度学习模型近年来在许多领域吸引了注意力。它可以把丰富的信息集包括新闻与最先进的机器学习模型,建立解决方案和提高金融时间序列预测的准确性(5]。影响系统的变更、信噪比低、等等,人们试图用标准方法评估,但效果并不好,样本外的性能很差。基于创业企业的数据,我们创建一个中介模式,连接企业网络与创业机会通过决策和用它来研究决策之间的关系在创业网络和创业机会。结合实际研究的需要和我们所知道的,创业网络决定创业机会与发展是非常重要的社交媒体。这个模型显示了我们对新兴创业机会的形成机制的理解,也为管理者和决策者提供参考意见各领域(6]。一方面,大数据的快速发展改变了传统财务预测的基础;另一方面,其预测模型的性能也是一个挑战7]。大数据驱动的经济和财政预测在未来社会发展中起着重要的作用,这有利于矿业经济体系特性,预测研究,经济和金融体系管理机制的形成,等等。预测参与者的决策风格,感觉有助于探索社会知觉,因为当我们与他人交流时,我们往往依赖于我们自己的合作伙伴的特点来判断它们之间的合作水平(8]。通过研究,我们发现,演员的决策风格的认知呈正相关的推理演员的能力和相反的意图与合作感知者和演员,这表明,如果加强合作的目的,有必要从对方的理性决策风格,而不是直观的决策风格。随着数据规模的增加,宏观经济预测社会科学具有重要意义,而传统的方法是基本的小规模的数据,并通过数学模型预测精度较低。
2。宏观经济预测模型
2.1。大数据概述
信息处理大数据的数据量非常大。与传统的数据分析相比,大数据收集的信息的数量在GB,结核病,甚至PB和EB的水平。出于这个原因,传统计算机无法处理这样的问题。信息包括图片、语音、网络搜索和文本和日志信息。这些信息具有多元化的特征,大数据本身具有高价值的特征(9]。然而,与传统的数据相比,大数据的价值需要通过大量的数据分析反映出来。
2.2。大数据驱动的宏观经济的发展趋势预测
调查统计数据收集的主要措施是在传统的宏观经济预测中,通常使用由官方统计部门公布的数据,以确保准确性,但这将使数据失去及时性(10]。如果我们刻意追求时效性和采用最新数据,它将增加宏观经济预测错误的可能性,和实际结果往往不能令人满意。大数据的发展带来希望解决这个难题。它使人们更少依赖于统计资源,以及各种社交媒体数据和检索数据成为数据资源。通道和类型的数据源大大增加,而且没有人类干预因素,所以数据更加真实可靠。
目前,传统的统计数据是主要的数据类型支持现有的预测模型在中国,所以当前宏观经济预测将需要很长时间,而且它们中的大多数都是每月、季度、年度预测模型。然而,及时性和准确性非常重要,对国家制定政策和策略。目前,传统的宏观经济预测是很难达到这个要求。外国国家在宏观经济预测取得了良好的效果,和他们所使用的数据是准确的,结果也非常可靠和准确的。正因为如此,我们应该抓住这个机会,符合趋势,和大数据应用到中国宏观经济预测。逐步改变立即从中长期预测分析预测分析。
传统的宏观经济预测方法已经发展多年,已经形成了一个相对全面、完整的研究体系,从而进行全面、深入的分析数据结构在不同的情况下,然后给结果。然而,由于数据统计的问题,其模型的预测效果难以进一步提高。大数据技术解决了数据采集的问题,保存,和分析。因为它是一个新技术,与传统的数据集相比,较少用于宏观经济预测,其理论还不够完善。大数据技术的优点是,它可以在短时间内使宏观经济预测获得有价值,然后解决经济问题在传统模型的基础上,提高预测的准确性。大数据本身的直接可以改变传统的统计数据的滞后过程。例如,传感器可以用来收集交易数据,和当前月份的通货膨胀率可以立即根据数据计算。通过这种方式,可以保持在最新的状态,数据和卢卡斯批判所造成的各种问题可以解决11]。
大数据技术的出现之前,很难实现在同一时间预测的准确性和及时性。然而,随着技术的发展,首先,电脑本身的处理能力加强。其次,与大数据的应用逐渐渗透到宏观经济管理领域,逐渐提高准确率的前提保证即时性。直接预测或短期预测是,现在,即时预测已逐渐从理论到实践中去。
2.3。宏观经济预测模型由大数据驱动的
目前,有四种基本方法实时预测:桥接方程,混合数据采样、mixed-frequency向量自回归(MF-BVAR)和动态因子模型。
2.3.1。理论模型
桥模型。对于mixed-frequency数据,最早的计量经济学方法是使用桥接方程。线性回归方法是一个桥接equation-dependent方法,该方法估计的动态方程,利用低频指数的指数又一次聚合和高频索引。例如,季度GDP增长率的预测分为两个步骤:第一步是余下的季度预测月度指标基于单变量时间序列模型,并总结他们获得相应的季度值。在第二步中,聚合季度值作为回归变量的实时预测。
混合数据采样。混合数据取样是一个计量经济学回归或过滤方法开发。迈达斯模型直接预测工具,它可以直接使用高频指数及其滞后指数来预测和分析低频系列立即通过简单的回归方法。混合数据抽样模型包括四个加权函数形式:指数阿尔蒙多项式,阿尔蒙多项式,β多项式,阶跃函数多项式。此外,还有许多导数模型进行预测分析的混合数据抽样模型,包括自回归AR-mixed-data抽样模型,无约束U-mixed-data抽样模型,非线性N-MIDAS模型,非对称A-MIDAS模型和平滑转移ST-mixed-data抽样模型,马尔可夫地区MS-mixed-data抽样模型。
MF-VAR模型。这个模型的想法来自Zadrozny提出的一个模型,可以直接使用在不同的频率来估计抽样。在这个模型中,所有序列生成的最高频率,其中一些被认为是难以察觉的。因此,这些变量只能观察到在低频率被认为是周期性地失踪。目前,MF-VAR有三种评估方法,包括传统的状态空间方法,贝叶斯框架,和堆叠向量法。另一种MF-VAR模型估计贝叶斯框架技术,和吉布斯抽样方法估计了VAR的混合和不规则采样数据。不同于古典parameter-driven模型,堆叠向量法实际上是一种observation-driven模型。叠加向量法由可观测的数据,没有潜在的过程和影响,以避免测量方程和滤波方程的设定。MF-VAR MIDAS分析被认为是一种多变量扩展。
因子模型。有两种主要的方法使用因素实时预测分析模型。一个是MF-GRS模型。MF-GRS模型实现了实时预测分析美国GDP的第一次,但是这个模型通常每月选择一个季度指数和几个指标进行分析。从那时起,MF-GRS模型被用于实时预测宏观经济指标分析在英国和法国。MF-GRS模型通常是有限的实时预测月度和季度双频混合索引数据。另一个是MF-DFM Aruoba等提出的模型。它不仅扩展了约束混合指数的频率是限于月度和季度,但也提高了估计方法和实现卡尔曼滤波的动态估计和混合数据。MF-DFM模型所使用的主要是一些当地的美国联邦储备理事会(美联储,fed)在美国,如“立即预测”纽约联邦储备银行的模型,现在GDP亚特兰大联邦储备模式,圣路易斯联邦储备的埃尼指数。一般来说,实时预测模型的应用主要集中在不同地区的美国联邦储备理事会(美联储,fed)在美国。此外,实时预测网站(https://www.now-casting.com)还提供了实时预测分析欧元区,七国集团(G7),金砖国家等。12]。
2.3.2。实时预测模型的数据集的特征
最大化可用的信息是实时预报的关键。实时预测中使用的数据集是完全不同的从传统的经济预测中使用的数据集,它是一个实时的数据集。Croushore和鲜明的证实,实时数据集是有助于提高预测精度,但其建模是非常困难的。它需要大量的工作来分析和处理数据,主要反映在以下四个方面:
高维度。广泛覆盖和精制组件是当前宏观经济的特点,和相应的指标有很多种,所以分析宏观经济实际上是一个大数据问题。
混合。因为获取困难的差异,不同指标的统计频率是完全不同的。不同的计量经济学模型,有必要统一指标与不同频率之前可以使用相同的模型。
锯齿波。不同类型的数据发表在异步方式,和不同类型的数据有不同的滞后时间,使最新日期之间的不同位置序列,可能导致数据丢失的信息集合。“锯齿状”边缘的存在使得数据集成到不平衡板。此外,部分序列的中间部分也可能包含大量的丢失的数据。
修正案。宏观经济预测通常使用官方统计,和官方数据通常是基于初步估计在发布的初始阶段,将调整在随后阶段,这使得数据值通常逐渐改变。更重要的是,数据修正对结构产生重大影响建模、政策分析和预测(13]。
2.3.3。实时的宏观经济预测模型的优点
因为不同的基本理论,重点学科不能替代模型的优点是其他模型。自从Giannone等人开始构建基于动态因子模型的短时预测模型和使用大量的月度经济指标来预测美国的季度GDP增长率,许多学者开始探索性研究短时预测模型。基本的想法是,如果有高度相关的宏观经济指标普遍运动,大多数的动态序列可以捕捉到一些潜在的动态因素,这些因素将推动一些权力。 在这里,代表了一个共同的组件组成R因素,是一个数据集组成的吗N变量(R< N),是一个异构组件。假设相关的异构组件只是特定的变量和遵循白噪声过程和正交于常见的组件。
改善宏观经济预测的准确性,有必要高维数据输入,但由于指标的数量的增加,更多的参数需要确定,“维诅咒”也出现的问题。基于运动理论的宏观经济指标之间的相关性高,Giannone等人提出了“潜在因素”,可以捕获大多数宏观经济动态,然后预测GDP增长率的变化通过改变“潜在因素。“所有宏观经济指标是由两部分组成:一个是公共部分,即影响宏观经济指标,也就是说,“潜在因素”;另一部分是异构;也就是说,它只会影响一定的指数。 在哪里是一个常数项和代表了处理后的一系列宏观经济指标。也就是说,所有宏观经济指标数据的变化来自通用组件的变化 和异构组件 。矩阵表达式 在哪里代表的动态因素向量rx 1维(r<n),λ因子载荷矩阵。
它从传统的预测模型本质上是不同的。公布的新数据时,相应的新的经济信息,然后相应的“潜在因素”变化,然后立即更新GDP增长率。通过这种方式,少量的“潜在因素”可以形容巨大的宏观经济指标,从而实现降维。
传统预测模型只能使用相同的频率指数来预测。Giannone等人相应的月度指数系列转换成季度指数系列,提取季度动态因素,实现季度GDP指数的预测。有三个主要转换方法: 代表原始的月度指标系列,代表相应的季度观察系列在季度末,和l是滞后算子。
Giannone等人也可以处理混合的问题,但它需要月度指标转换成相应的季度值第一,也有风险,可能会丢失一些信息。Giannone等人认为低频变量可能难以察觉的高频变量,所以没有必要将高频指标转换为相应的低频值和直接模式低频变量。以季度GDP为例,首先,季度变量建模和潜在的季度月度频率中的变量的观测值是。
在哪里对应的季度GDP的水平值t和代表相应的月度水平值。为了方便表达,相对应的月度潜在的难以察觉的GDP的增长速度 , 可以表示为 ,和季度GDP增长率的表达式如下:
立即以来季度GDP增长率最终预测,有必要把季度增长率与每月增长率。使用提出的近似Mariano Murasawa,季度增长率可以分解为月度增长潜力,假设几何平均算术平均约等于。
通过建立上述连接,可能难以察觉的每月增长率可以表达相同的动态因子模型实际每月变量:
因此, 最大化的使用混合指数序列建模低频变量。
不同的索引数据的发布时间是不同的。为了使用的数据中包含的信息获取的新数据,需要使用数据集“锯齿”特征来估计的因素。基于动态特性的“潜在的因素,结合因子提取的过程中,我们可以方便地使用卡尔曼滤波技术。设置异构组件方差的数据尚未发表的一个非常大的数字。
因此,当使用卡尔曼滤波技术来估计因素,获得的重量的数据暂时还没有发表t几乎是0,其表达式如下: 在哪里R代表异构组件的协方差矩阵。当数据暂时不可用,在这一点上非常大所以卡尔曼增益K在这一点上是非常小的,估计动态因素和协方差矩阵几乎不变。这不仅能有效处理“锯齿”功能的数据集,但也适用于有缺失数据的interpart数据集。
只要新数据可用,占国内生产总值的增长率将会重新估计。短时预测模型使用实时数据集,这是不同于其他模型。每当公布的新数据,新数据中包含的“新闻”将被用来修正GDP增长率的预测价值。在这个过程中,我们每次都需要重新估计动态因素。修改数据时,动态因素会相应地改变,从而修正估计GDP增长率。
其他实时预测模型的最大区别是,“新闻”的边际影响每个经济指标系列发布的GDP增长率可以通过短时预测模型。根据新数据版本,短时预测模型可以立即计算边际冲击值的GDP增长率和获取信息这一信息对GDP的影响权重值,以便准确地获得强度指数的变化对GDP的影响。
其中,显示数据中包含的“新闻”发布,和表示“新闻”对GDP的影响体重增长率。根据体重,很容易判断指标对GDP增长率的影响。价格表示“新闻”对GDP增长率的影响。
也就是说,因为模型可以很容易地预测其他宏观经济变量实时预测GDP增长率时,“新闻”(出乎意料的一部分)包含在可获得的数据。也就是说,当一个新数据公布,预测值的差异也会影响GDP增长率的预测价值。 意思是“新闻”;也就是说,它不是新数据本身的释放影响GDP的预测价值,但可知(新闻)的一部分。GDP的预测价值新数据发布后(新预测值)可以由两部分组成:一个是去年国内生产总值的预测价值(老预测值),另一个是基于“新闻”的预测价值的部分。其表达式如下: 代表了GDP增长率(变量来预测),代表新的预报值,代表旧的预测价值,代表预测价值基于“新闻”部分。下半年可以进一步分解:
因此,通过求解和 ,影响体重的“新闻”部分对应于每个新发布的GDP数据预计值可以计算,和影响价值的新数据发布的GDP增长率可以通过增加重量的“新闻”,以更新GDP增长率的预测价值。
本文来自中国的CPI数据预测经济数据库(亚洲经济数据库)。从中国的历史数据图表CPI和工业增加值同比增长率数据1和2的经济数据可以看出,在一些特殊时期(如1998、2008和2020年)显然是不同于其他时期,和增长率过高或过低。因此,我们引入哑变量处理,确保数据的合理性;,特殊时期中的数据设置为1,否则为0。同时,为了保证研究结果的可靠性,本文还对数据进行以下处理:我们以1998年1月为基期,用价格指数缩小输出价值得到真正的价值。同时,缺失值的数据集的平均值。
通常,工业增加值的增长率将不会在相同的值很长一段时间,所以我们需要做一个一阶的区别。对于中国宏观经济相关的变量,我们使用因素模型来预测。数据集包括10个类别,每个类别包含50个变量,花时间从1998年1月至2020年3月的时间维度。这些因素主要包括以下方面:(1)价格范畴,包括CPI, PPI和零售物价指数(2)投资类别,包括各种行业的固定资产投资(3)出口类别,包括进出口同比增长率(4)金融范畴,包括货币供应量 , , 和加权平均利率、汇率、外汇储备和银行间拆借的债券发行(5)繁荣指数,包括制造业采购经理人指数和消费者信心指数(6)国际经济范畴,包括进出口体积指标的主要经济体,如美国、欧洲和日本和中国。这些数据来自中国经济数据库(亚洲经济数据库)和国家统计局。所有的数据已经稳定,经季节性因素调整后的。
然后,我们将样本划分为两个部分:回归取样间隔和样本外预测区间图3。回归取样间隔的时间窗口U是从1998年1月到2020年3月,共有267个观测值;滚动窗口U的长度是120。预测范围是1、3、6和12个月。在实验中,我们首先计算模型参数通过次级样本在滚动窗口中,然后通过逻辑回归方程预测测试集样本。
最后,我们比较两个定量的预测精度标准,这是相对标准预测均方根误差(RMSE)和绝对平均预测误差(美)。在实验中,我们使用简单的意味着模型,自回归移动平均(ARMA)模型,VAR模型和BVAR模型实验的基准模型。
流窗口是用来测试训练集,如果只有一个或一个120数据集的测试,整个数据区域的预测效果可能是可怜的。因此,提出流动窗口训练集可以使整个数据集显示良好的预测性能。Extra-sample预测是指在训练集样本的预测,通常有很好的效果。使用流窗口,extra-sample预测可以获得实时流窗口的训练效果,从而提高整个算法的预测精度。
RMSE和梅公式如下:
3所示。预测结果的比较和分析
根据RMSE标准,预测的CPI和工业增加值增长率(IP)在中国,因子模型的预测误差明显低于几个基准模型在几乎所有的预测时间,和因素模型具有明显的优势几个基准模型预测期时再表1。
根据美标准,在对CPI的预测,模型的预测误差因素是明显低于几个基准模型在几乎所有的预测时间。因此,在几个基准模型因子模型具有明显的优势。预测的工业增加值的增长率,中长期BVAR模型的预测精度和因子模型明显提高与传统模式相比,只有移动平均模型具有更好的预测效果。短期预测更好的基准测试结果的原因可能与中国宏观经济数据的小样本大小和类型和数量的选择因素表2。
一般来说,直接因素模型的预测精度高于通用模型。根据比较结果RMSE和梅的定量评价标准,总的来说,在预测精度评价、因子模型始终优于其他基准模型在中长期,这表明因子模型可以有效地解决太多的参数和过度拟合的问题中存在的传统模式,并体现了显著的优越性应用因子模型来预测宏观经济变量。
通过因子模型的估计方法上面所提到的,可以看出,只需要两个因素来近似CPI数据的运行特点,在中国工业增加值增长率。这两个因素解释了数据集的71%和68%,分别。进一步研究表明,白的最优数量的因素因子模型根据最优集成电路标准是获得K= 7。根据喜好et al。(2009)解释经济意义的预测,预测代表国内宏观经济指标,影响自己的宏观经济学。实际结果表明,与国际经济的预测相比,中国的宏观经济因素产生更明显的影响CPI和工业增加值的变化数据4和5。
数据4和5分别给中国CPI的预测结果和工业增加值增长率从2020年5月到2021年5月根据最优数量的因素由上述计算方法(红色部分是预测价值的95%的置信区间)。
宏观经济预测模型由大数据具有重要的现实意义。目前最主流的模型,实时预测可以为公共政策和企业决策提供参考,有效地使用可用的信息来预测宏观经济(14]。
4所示。心理分析大数据驱动的决策行为
4.1。特点和优势的背景下大数据的数据
在大数据的背景下,数据的行为。大量的信息被记录在大数据,这实际上是普遍人的行为的信息。自愿和普遍性的特点。
首先,大部分的行为所产生的大数据是自然和自愿的人。例如,消息从聊天工具,如微博,虽然大多数时候,有一定的显示的目的。但是这些数据是自愿的,而不是被迫的。经验丰富的研究人员将发现大多数心理测试科目,和受试者进行测试的目的获得抵免或奖金,甚至包括像亚马逊MTurk在线数据,研究对象也接受心理测试,因为钱。在这种情况下产生的结果的确是有争议的代表,因为实验者的动机将不必要的变量添加到心理测试。不管信贷和货币的学科,研究对象大多是女性,在这种情况下,他们是不同的一些特征。然而,行为数据的大数据是自然生成的,没有强迫。此外,数据采集也非常方便,比如可穿戴设备,可以让他们轻松地获取行为数据。这是一个巨大的数据利用大数据的行为。
其次,大数据是广义的行为数据和可比性。由于无法直接观察心理现象,有各种各样的心理行为,可以观察到心理的研究。在心理学研究,因为不同的研究方法更容易的杂志编辑,研究人员通常喜欢观察相同的心理行为有不同的研究方法。这使得系统的学科非常大但是紊乱,和许多类似的概念并不具有可比性。例如,攻击行为的研究中,研究人员可以观察到人们是否撞到一个娃娃,人们是否点击一个出错的人,甚至一个人的程度会撕掉别人的照片。虽然它是相同的行为,每个观察和操作的定义是不同的,这使得它很难比较。大数据的出现使得解决这一问题的转折点。当数据被收集,研究人员可以从现有的数据大多是我的行为。在这一点上,行为和行动的统一的定义,产生的结果大数据可以比较(15]。
4.2。分析传统的心理决策行为和缺点
科学认识论和方法论的指导原则是心理学诞生以来。心理学一直在探索和提高其研究方法,努力形成一个严格的和成熟的学科研究范式。然而,很长一段时间,心理学研究的科学性受到质疑内外的纪律。沃森的批评后,开始将注意力转向心理学行为数据。这使得心理学研究改变其结构和功能的最重要的研究对象意识行为的研究。然而,传统心理学仍然使用大量的行为实验探索心理现象。典型实验研究通常是在实验室的设置情况,这显然是高度抽象和脱离现实生活,这无疑降低了外部生态心理学研究的有效性和限制了心理学的进一步发展16]。
4.3。研究心理决策背景下的大数据
4.3.1。大数据带来的心理变化的研究
互联网的普及是伴随着数据的爆炸性增长。为了分析数据和得到有用的信息,必须采用科学的收集方法和强有力的技术支持。大数据时代的到来为心理学研究提供了一个良好的环境。心理学研究包括三个部分:合理的描述,准确预测和有效控制,它们是相互关联和相互影响。为例,通过分析个体的人格类型、消费偏好、教育水平、和其他维度,研究对象可以定位。在此基础上,研究对象的心理决策行为分析在一定程度上可以实现准确的预测。因此,大数据对心理学研究有深远的影响。
4.3.2。研究心理决策在大数据的时代
在大数据时代,网络平台在人们的社会交往中发挥着越来越重要的作用。只要人们在互联网上搜索和浏览,他们会留下痕迹,这也反映了人们的心理和行为习惯在一定程度上。使用这些网络平台上的用户浏览痕迹,我们可以探索用户更深入的心理特征和行为习惯。如今,人们的日常生活和工作已经与大数据集成。各种数据的分析和集成可以有效地提高数据的价值,在此基础上,促进心理学研究的进步。
与此同时,由于互联网的普及,网上购物,一种新的购物模式,已经成为了主流,发展迅速。在这个流行趋势下,商家需要收集客户的心理,以便更好地迎合客户的偏好和得到更好的发展。当用户将购买记录采购相关产品,逐步形成大量数据。通过数据的分析,我们可以了解客户的购买心理,以便有效地屏幕和推荐类似的产品给客户。因此,在大数据时代,商人可以获得消费者的购买心理分析,它提供了方便的满足客户的需求,而用户可以享受更全面的服务和得到更好的消费体验。依赖大数据技术可以实现心理决策分析的准确性,同时,也提高了数据的价值,充分发挥数据的实用程序。
一般来说,个人数据记录的数据量较少,和它的作用是有限的。然而,如果大量的个人和团体加入,产生的数据量将很难估计,和数据的价值将会大大提高。研究和分析大数据,掌握公众的认知和心理状况。然后,在处理群体事件时,我们可以理解群体情绪的变化通过一定的数据分析,实现有效控制情绪,把握事件的趋势,发挥协调作用,最大化恶性事件的发生。
在大数据时代,我们应该充分发挥心理干预的作用,结合现有的研究和报告深深理解心理干预心理研究的作用。传统的心理学研究模式不能扩大心理干预功能最大限度地。大数据技术的出现不仅有助于心理学研究解决这个问题,但在其他方面也扩大,并保证信息采集的速度。心理干预已广泛普及,促进了心理学研究的过程和为其发展奠定了坚实的基础17]。
在网络信息时代,科学技术仍然在不断进步,这是与人们的生活紧密联系。心理学研究与大数据相关,这是时代发展的必然结果。在大数据时代,新兴技术主要是与心理学有关,和相应的信息可以通过数据分析了解在不同的情况和状态,从而推动社会进步的精神分析和解决问题。
研究人员的研究由大数据可以深入挖掘消费者的变化。特别是当宏观经济发展是有利的,消费者的比例投资增加,心理和经济可以进一步增加。相反,当经济发展不好,消费者的比例投资减少,经济增长缓慢。大数据背景的变化可以分析消费者的经济活动,控制消费者的变化的心,和福利经济发展的需要。
5。结论
阐述了大数据技术的优势在宏观经济预测和分析,在此基础上介绍了原则。最后,通过一个应用实例,发现大数据技术可以显著提高宏观经济预测的准确性和有效性。大数据的变化不仅使心理学家发现一个新的研究方法和数据来源,也让我们重新思考关于研究对象,目的,心理学的理论体系。心理学研究与大数据相关,这是时代发展的必然结果。大数据技术的先进性心理学研究可以帮助打破传统,采用更多的新兴模式研究。
数据可用性
使用的实验数据来支持本研究的发现可以从相应的作者。
的利益冲突
作者宣称没有利益冲突有关的出版工作。