Educación financiera en jóvenes universitarios ecuatorianos: Una aplicación de Machine Learning

• Miguel Peñarreta ^[1] ; Reinaldo Armas ^[1]
  1. [1] Departamento de Ciencias Empresariales UTPL, 1101608, Loja, Ecuador.
• Localización: RISTI: Revista Ibérica de Sistemas e Tecnologias de Informação, ISSN-e 1646-9895, Nº. Extra 71, 2024, págs. 528-542
• Idioma: español
• Títulos paralelos:
  • Financial literacy in Ecuadorian university students: An application of Machine Learning
• Enlaces
  • Texto completo (pdf)
• Resumen
  • español

    El uso de técnicas de aprendizaje automático ha ganado prominencia en diversas áreas de investigación, incluyendo negocios y finanzas. En esta investigación, aplicamos estas técnicas al ámbito de los conocimientos financieros para evaluar su precisión en comparación con enfoques tradicionales de econometría. Utilizando datos de una encuesta aplicada a jóvenes universitarios en Ecuador, exploramos cómo métodos de aprendizaje automático como regresión logística, adaboost, bosque aleatorio, vecinos más cercanos, redes neuronales y máquinas de soporte vectorial, son eficaces para predecir tanto los conocimientos financieros como los factores determinantes en un segmento poblacional particularmente expuesto al riesgo financiero. Nuestros hallazgos no solo demuestran la efectividad de estos métodos en la estimación de los conocimientos financieros, sino que también resaltan su utilidad para comprender mejor los determinantes clave en la formación de la educación financiera en jóvenes universitarios.

  • English

    The use of machine learning techniques has gained prominence in various research areas, including economics and finance. In this research, we apply these techniques to the field of financial education to assess their accuracy compared to traditional econometric approaches. Using data from a survey of university students in Ecuador, we examine how machine learning methods such as logistic regression, adaboost, random forest, nearest neighbors, neural networks, and support vector machines are effective in predicting both financial literacy and its determinants in a particularly exposed population segment. Our results not only demonstrate the effectiveness of these methods in estimating financial literacy, but also highlight their usefulness in better understanding the key determinants of financial literacy in university students.