Skip to main content
فهرست مقالات

ارزیابی روشهای پیش بینی ترکیبی: با رویکردهای شبکه های عصبی- کلاسیک در حوزه اقتصاد

نویسنده:

علمی-پژوهشی (28 صفحه - از 87 تا 114)

کلیدواژه ها : پیش‌بینی ،پیش‌بینی ترکیبی ،سریهای زمانی ،شبکه‌های عصبی مصنوعی ،رگرسیون چندمتغیره

کلید واژه های ماشینی : شبکه عصبی ،ترکیبی ،مدل ،رویکرد شبکه عصبی ،روش ،روش‌های پیش‌بینی ،شبکه عصبی مصنوعی ،روش شبکه عصبی ،روش پیش‌بینی ترکیبی ،رویکرد شبکه عصبی مصنوعی ،پیش‌بینی ترکیبی در مدلهای اقتصادی ،اقتصادی ،روش فردی پیش‌بینی عصبی ،جنکینز ،رویکرد ،پیش‌بینی ترکیبی ،خطای ،متغیرهای ،مدل شبکه عصبی ،ترکیب روش‌های پیش‌بینی هموارسازی نمائی ،مدلهای پیش‌بینی فردی ،ترکیب روش‌های پیش‌بینی ،روش شبکه عصبی مصنوعی ،روشهای هموارسازی نمائی ،روند ،رویکرد پیش‌بینی ترکیبی ،رگرسیون چند متغیره ،پیش‌بینی تقاضای نفت با استفاده ،باکس جنکینز ،تقاضای نفت

در این تحقیق، رویکرد پیش‌بینی ترکیبی در مدلهای اقتصادی مورد توجه قرار گرفته است.این رویکرد، در حدود دو دهه ست که مطرح گردیده و تحقیقات انجام شده در این زمینه نشان‌دهنده کاهش بسیار زیاد خطاهای پیش‌بینی مقادیر آتی است.برای انجام این تحقیق، در ابتدا با استفاده از چندین روش مختلف، پیش‌بینی انجام شده است که در این مطالعه، آنها روشهای فردی نامیده شده‌اند.مدلهای پیش‌بینی فردی، شامل روشهای هموارسازی نمائی، تحلیل روند، باکس جنکینز، تحلیل‌های علی و مدل شبکه عصبی می‌باشند.نتایج این روشهای فردی(که از بین روشهای مختلف برگزیده شده‌اند و از نظر آماری مدل آنها معنادار می‌باشد)با استفاده از رویکرد شبکه عصبی مصنوعی(در این ترکیب، روش فردی پیش‌بینی عصبی وارد نشده است)و روش رگرسیون چند متغیره(با لحاظ تمام روشها و نیز با عدم‌واردنمودن پیش‌بینی‌های فردی شبکه عصبی مصنوعی)با یکدیگر ترکیب و مقایسه شده است.داده‌های مورد استفاده، شامل تقاضای نفت کشور اوپک از سال 1960 تا 2002 به عنوان متغیر وابسته و قمیت، درآمد، تقاضای سایر انرژیها، جمعیت و ارزش افزوده در بخش صنعت به عنوان متغیرهای مستقل می‌باشند.در روشهای تک متغیره، فقط متغیر مستقل(با متغیر وابسته زمان).جهت پیش‌بینی مورد استفاده قرار گرفته است.ولی در روشهای علی و شبکه عصبی، تمام متغیرهای بیان شده وارد شده‌اند.داده‌های مورد استفاده برای تمام متغیرها از سال 1960 تا 1996 و داده‌های آزمایش از سال 1996 تا 2002 بوده‌اند.معیارهای اصلی mse و mapeمحاسبه شده برای مقادیر پیش‌بینی، بیانگر کاهش قابل ملاحظه خطای روشهای ترکیبی نسبت به روشهای فردی است و روش ترکیبی مناسب در این مطالعه، به ترتیب روش شبکه عصبی و رگرسیون چند متغیره بوده است.

خلاصه ماشینی:

"نتایج این روشهای فردی(که از بین روشهای مختلف برگزیده شده‌اند و از نظر آماری مدل آنها معنادار می‌باشد)با استفاده از رویکرد شبکه عصبی مصنوعی(در این ترکیب، روش فردی پیش‌بینی عصبی وارد نشده است)و روش رگرسیون چند متغیره(با لحاظ تمام روشها و نیز با عدم‌واردنمودن پیش‌بینی‌های فردی شبکه عصبی مصنوعی)با یکدیگر ترکیب و مقایسه شده است. 4-نتایج تحلیلی تحقیق و مقایسه کارایی نتایج مدل‌های ترکیبی با روش‌های فردی پیش‌بینی در رابطه با رویکردهای مختلف ترکیبی و بررسی تفاوتهای روش‌های نوین و کلاسیک، نتایج زیر به دست می‌آید: 1-در بین روش‌های مختلف فردی بررسی شده با استناد به معیار خطای rmse، پیش‌بینی شبکه عصبی مصنوعی، نتایج بهتری را ارایه داده است؛لازم به ذکر است که داده‌های تقاضای نفت و داده‌های آماری متغیرهای اقتصادی و بازرگانی از نوع داده‌های نامنظم هستند و به دلیل توانایی بالای روش شبکه عصبی مصنوعی در آموزش داده‌ها و اختصاص اوزان مناسب به این داده‌ها، شبکه عصبی‌مصنوعی نتایج با خطای پایین‌تری را نسبت به سایر روش‌ها داده است. در این تحلیل ترکیبی، میانگین موزون به عنوان یک روش ترکیبی خوب عمل نکرده است و کاهش میزان خطای mse آن قابل ملاحظه نمی‌باشد و مدل‌های آماری باکس- جنکینز و هموارسازی نمائی بسیار بهتر از آن به عنوان روش‌های فردی عمل کرده‌اند؛به هر حال، نتایج کلی این تحقیق در موارد فوق بیان شده و کاربرد مدلهای ترکیبی پیش‌بینی را برای متغیرهای اقتصادی توصیه می‌نماید."

  • دانلود HTML
  • دانلود PDF

برای مشاهده محتوای مقاله لازم است وارد پایگاه شوید. در صورتی که عضو نیستید از قسمت عضویت اقدام فرمایید.