Details

Цель работы — создание автоматизированной системы для анализа экономических данных, интегрирующей традиционные методы корреляционного анализа (Пирсона, Спирмена) и коэффициент согласия в динамике, а также оценка его эффективности при построении прогнозных моделей. Основные задачи: — изучить теоретические основы корреляционного анализа и особенности коэффициента согласия в динамике; — провести анализ аналогов и определить требования к разрабатываемой системе; — спроектировать архитектуру приложения, включая модули загрузки, обработки, анализа данных и визуализации результатов; — реализовать систему с использованием Python, Django, библиотек машинного обучения (numpy, pandas) и СУБД MySQL; — провести тестирование функционала, оценить надежность и безопасность системы; — проанализировать эффективность коэффициента согласия в динамике на различных датасетах (экономические, медицинские, технические данные). Актуальность темы обусловлена растущим объемом данных в экономике, финансах и смежных областях, где традиционные методы корреляции часто не выявляют сложные нелинейные и лаговые зависимости. Разработанное приложение расширяет аналитические возможности за счет интеграции нового коэффициента, обеспечивая более точное прогнозирование и интерпретацию результатов. Источники информации: зарубежные и отечественные публикации по математической статистике и машинному обучению, данные открытых датасетов (California Housing Prices, Heart Disease Cleveland UCI, IMDB score и др.), нормативно-техническая документация (ЕСКД, ЕСПД). Разработано веб-приложение с поддержкой многопользовательского доступа, включающее модули предобработки данных, расчета коэффициентов корреляции, визуализации и безопасности.  Доказана эффективность коэффициента согласия в динамике для анализа малых выборок и нестационарных временных рядов, где традиционные методы показали меньшую точность. Предложен алгоритм отбора признаков на основе комбинации коэффициентов, улучшающий качество моделей машинного обучения (на 12–15% по метрикам R2 библиотеки scikit learn и RMSE). Система может быть внедрена в аналитические отделы компаний, научные организации и образовательные учреждения для решения задач прогнозирования, выявления скрытых зависимостей и оптимизации бизнес-процессов. Результаты исследования опубликованы в научной статье и представлены на конференции.

Objective: To create an automated system for economic data analysis that integrates traditional correlation analysis methods (Pearson, Spearman) and an innovative dynamic concordance coefficient, as well as to evaluate its effectiveness in predictive modeling. Main tasks: — Study the theoretical foundations of correlation analysis and the specifics of the dynamic concordance coefficient. — Analyze existing solutions and define requirements for the developed system. — Design the application architecture, including data loading, processing, analysis, and visualization modules. — Implement the system using Python, Django, machine learning libraries (NumPy, pandas), and MySQL DBMS. — Test the functionality, assess system reliability and security. — Evaluate the effectiveness of the dynamic concordance coefficient on various datasets (economic, medical, and technical data). Relevance: The growing volume of data in economics, finance, and related fields highlights the limitations of traditional correlation methods in detecting complex nonlinear and lagged dependencies. The developed application enhances analytical capabilities by integrating a new coefficient, enabling more accurate forecasting and result interpretation. Sources: foreign and domestic publications on mathematical statistics and machine learning, open datasets (California Housing Prices, Heart Disease Cleveland UCI, IMDB score, etc.), and technical standards (ESKD, ESPD). — A web application with multi-user support, featuring data preprocessing, correlation coefficient calculation, visualization, and security modules. — Proven effectiveness of the dynamic concordance coefficient for small samples and non-stationary time series, where traditional methods showed lower accuracy. — A proposed feature selection algorithm combining multiple coefficients, improving machine learning model performance (12–15% increase in scikit learn R2 and RMSE metrics). The system can be deployed in corporate analytics departments, research institutions, and educational organizations for forecasting, uncovering hidden dependencies, and optimizing business processes. The research results were published in a scientific paper and presented at a conference.