Analysis of economic satisfaction using machine learning models and explainable artificial intelligence
DOI:
https://doi.org/10.22279/navus.v15.2006Resumo
The economic satisfaction of a nation can reflect citizens' perceptions of their government's performance, and machine learning models can help uncover non-trivial information from such data. In this context, this article aimed to analyze the satisfaction of Latin American citizens with their country's economy. To achieve this, six traditional classifier algorithms and four ensemble models were used, with a final application of an explainable method (SHapley Additive exPlanations, SHAP) to analyze the key factors contributing to economic satisfaction. The models were trained and tested on a dataset comprising data from the 2020 and 2023 Latinobarómetro surveys, totaling 27,600 instances in the final set. As a result, it was found that the Random Forest was the best individual model, while the stacking ensemble achieved the best performance in classifying between “satisfied” and “dissatisfied” citizens. The SHAP method revealed that “satisfaction with democracy” and “perception of the country's progress” are the main factors influencing economic satisfaction. This study offers insights for public managers on how to improve their citizens' economic satisfaction.
Downloads
Downloads
Publicado
Edição
Seção
Licença
Copyright (c) 2024 Navus - Gestão e Tecnologia
Este trabalho está licenciado sob uma licença Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
O conteúdo da revista é de acesso público e gratuito, podendo ser compartilhado de acordo com os termos da Creative Commons Atribuição-Uso não-comercial-Vedada a criação de obras derivadas 4.0 Brasil. Você tem a liberdade de compartilhar — copiar, distribuir e transmitir a obra, sob as seguintes condições:
a) Atribuição — a atribuição deve ser feita quando alguém compartilhar um de seus artigos e deve sempre citar o nome da revista e o endereço do conteúdo compartilhado.
b) Uso não-comercial — você não pode usar esta obra para fins comerciais.
c) Vedada à criação de obras derivadas — você não pode alterar, transformar ou criar em cima desta obra.
Ficando claro que:
Renúncia — qualquer das condições acima pode ser renunciada se você obtiver permissão do titular dos direitos autorais. Domínio Público — onde a obra ou qualquer de seus elementos estiver em domínio público sob o direito aplicável, esta condição não é, de maneira alguma, afetada pela licença.
Outros Direitos — os seguintes direitos não são, de maneira alguma, afetados pela licença:
- Limitações e exceções aos direitos autorais ou quaisquer usos livres aplicáveis;
- os direitos morais do autor;
- direitos que outras pessoas podem ter sobre a obra ou sobre a utilização da obra, tais como direitos de imagem ou privacidade.
Aviso — para qualquer reutilização ou distribuição, você deve deixar claro a terceiros os termos da licença a que se encontra submetida esta obra.
A revista se reserva o direito de efetuar, nos originais, alterações de ordem normativa, ortográfica e gramatical, com vistas a manter o padrão culto da língua, respeitando, porém, o estilo dos autores.
Os trabalhos publicados passam a ser propriedade da revista Navus: Revista de Gestão e Tecnologia que deve ser consignada a fonte de publicação original. Os originais não serão devolvidos aos autores.
As opiniões emitidas pelos autores nos artigos são de sua exclusiva responsabilidade.
Esta obra está licenciada sob uma Creative Commons Atribuição-Uso não-comercial-Vedada a criação de obras derivadas 4.0 Brasil.
