Denoising ESG: quantifying data uncertainty from missing data with Machine Learning and prediction intervals

要約

環境、社会、ガバナンス (ESG) データセットは、多くの場合、重大なデータギャップに悩まされており、代入方法の違いにより ESG 評価の不一致が生じます。
この論文では、現実世界の ESG データセットの欠損データを補うための確立された機械学習技術の応用を検討し、予測間隔による不確実性の定量化に重点を置いています。
この研究では、複数の代入戦略を採用することで、代入法の堅牢性を評価し、欠損データに関連する不確実性を定量化しています。
この調査結果は、ESG スコアをより深く理解する上での確率的機械学習モデルの重要性を浮き彫りにし、それによって不完全なデータによる誤った評価の固有のリスクに対処します。
このアプローチにより、代入慣行が改善され、ESG 格付けの信頼性が高まります。

要約(オリジナル)

Environmental, Social, and Governance (ESG) datasets are frequently plagued by significant data gaps, leading to inconsistencies in ESG ratings due to varying imputation methods. This paper explores the application of established machine learning techniques for imputing missing data in a real-world ESG dataset, emphasizing the quantification of uncertainty through prediction intervals. By employing multiple imputation strategies, this study assesses the robustness of imputation methods and quantifies the uncertainty associated with missing data. The findings highlight the importance of probabilistic machine learning models in providing better understanding of ESG scores, thereby addressing the inherent risks of wrong ratings due to incomplete data. This approach improves imputation practices to enhance the reliability of ESG ratings.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google