چکیده:
یکی از روشهای مناسب در پیشبینی سری زمانی، تعمیم رفتار گذشته سری به آینده است. برای این منظور اولین قدم شناخت دقیق رفتار گذشته متغیر است. یکی از روشهای الگوسازی رفتار گذشته سری زمانی مدل خود توضیح جمعی میانگین متحرک (ARIMA) است. در این پژوهش از مدلهای ARIMA و ARFIMA برای پیشبینی قیمت هفتگی بنزین استفاده شد. همچنین پیشبینی مدل ARIMA با پیشبینی مدل خود توضیح کسری جمعی میانگین متحرک (ARFIMA) مقایسه شد. برای این منظور، از ابزارهای محاسباتی نرمافزار STATA12 و دادههای سری زمانی قیمت بنزین فوب خلیجفارس از ابتدای سال 2009 تا هفته ۲۶ سال 2012 بهصورت هفتگی که از سایت اوپک دریافت گردید، استفاده شد. نتایج تحقیق نشان داد که مدل ARFIMA(6,0.22,6) نسبت به مدل ARIMA(1,1,0) مدل مناسبتری برای پیشبینی قیمت بنزین است و میزان خطای کمتری دارد.
خلاصه ماشینی:
"پیش بینی قیمت بنزین فوب خلیج فارس با استفاده از مدل های ARIMA و ARFIMA 1 حمید آماده تاریخ دریافت : ١٣٩٣.
برای این منظور، از ابزارهای محاسباتی نرم افزار STATA١٢ و داده های سری زمانی قیمت بنزین فوب خلیج فارس از ابتدای سال ٢٠٠٩ تا هفته ٢٦ سال ٢٠١٢ به صورت هفتگی که از سایت اوپک دریافت گردید، استفاده شد.
نتایج تحقیق نشان داد که مدل (٦٠٢٢٦)ARFIMA نسبت به مدل (١١٠)ARIMA مدل مناسب تری برای پیش بینی قیمت بنزین است و میزان خطای کمتری دارد.
با توجه به مطالب ذکرشده هدف از نگارش این مقاله مدل سازی و پیش بینی قیمت بنزین فوب خلیج - فارس با استفاده از تکنیک های اقتصادسنجی سریهای زمانی است که میتواند در برنامه ریزی قیمت و مصرف بنزین در کشور اهمیت بسیاری داشته باشد.
زمستان ١٣٩٣ جلوگیری از تورم در اقتصاد کشورها داشته باشد؛ و ازآنجاکه قرار است قیمت حامل های انرژی از جمله بنزین در ایران ٩٠ درصد قیمت فوب خلیج فارس باشد و همچنین چون ایران واردکننده بنزین می باشد لذا پیش بینی قیمت بنزین برای ایران دارای اهمیت ویژه ای است .
نتایج حاصل از خطاهای پیش بینی نیز به صورت زیر به دست آمد: جدول ٧- میزان خطاهای حاصل از پیش بینی مدل ARIMA و ARFIMA مدل RMSE MSE MAE MAPE ARIMA 3,12 9,73 2,46 1,3 ARFIMA 3,10 9,58 2,41 1,21 منبع : یافته های تحقیق مشاهده میشود که میانگین خطای مدل ARFIMA بسیار کمتر است ."