ارزیابی و مقایسه عملکرد مدل رگرسیون خودبازگشتی میانگین متحرک انباشته فازی و شبکه عصبی فازی در پیش¬بینی رشد اقتصادی ایران
نویسندگان
چکیده
پیشبینی براساس مدلهای چندمتغیری اقتصادسنجی با محدودیتهایی زیادی همراه است، بنابراین یک روش جایگزین استفاده از مدلهای تک متغیری است. اما اکثر روشهای تکمتغیری برای حصول به نتیجه خوب نیاز به دادههای زیادی دارند. روشهای رگرسیون فازی بهدلیل فازی در نظر گرفتن اعــداد، برای مدلسازی و پیشبینی معمولاً نیاز به دادههای کمتری دارند. از اینرو در این مطالعه کارایی روش رگرسیون خودبازگشتی میانگین متحرک انباشته فازی (farima) که ترکیبی از روش خودبازگشتی میانگین متحرک انباشته (arima) و رگرسیون فـازی است با روشهای arima و شبــکه عصبی فازی (anfis) در پیشبینی رشد اقتصادی ایران مقایسه میشود. برای تخمین مدل از دادههای دورهی 1338 تا 1380 استفاده شده است. سپس کارایی این مدلها در پیشبینی رشد اقتصادی ایران برای دروه 1381 تا 1388 با استفاده از معیارهای rmse، mae، mape و tic ارزیابی و مقایسه شده است. مقایسه این معیارها حاکی از این است که بهترین عملکرد متعلق به روش farima است. همچنین مدل anfis عملکرد بهتری نسبت به مدل arima دارد.
منابع مشابه
پیش بینی قیمت نفت خام اوپک با استفاده از مدل خودبازگشتی میانگین متحرک انباشته فازی
عوامل زیادی بر قیمت نفت خام تأثیر میگذارند از این رو استفاده از یک مدل چند متغیری که تمام عوامل مؤثر بر قیمت نفت را لحاظ کرده باشد کاری دشوار است. به همین دلیل، پیشبینی این متغیر از طریق مدلهای چند متغیری بسیار دشوار است. در این حالت ممکن است استفاده از مدلهای تک متغیری روش مناسبی باشد. در این مدلها از حافظه تاریخی متغیر برای مدلسازی و پیشبینی استفاده میشود. اما یکی از محدودیتهای مدله...
متن کاملبکارگیری مدل های ترکیبی میانگین متحرک خودرگرسیون انباشته فازی احتمالی به منظور پیش بینی نرخ ارز
متن کامل
پیش بینی جریان سالانه رودخانه با استفاده از مدل خودهمبسته تجمعی میانگین متحرک و رگرسیون فازی
رشد روزافزون جمعیت و محدودیت منابع آب سطحی در کشور، لزوم پیشبینی دقیقتر مقدار آورد رودخانه را به دلیل اهمیت در برنامهریزی و مدیریت منابع آب از جمله بهرهبرداری از مخازن و طراحی سازههای کنترل سیلاب با استفاده از ابزارها و روشهای نوین مدلسازی میطلبد. در این راستا، مدلهای سری زمانی از دیرباز مورد توجه هیدرولوژیستها بودهاند. هدف این تحقیق، ارزیابی کارآیی دو رهیافت کلی مدل سری زمانی و رگرسی...
متن کاملمقایسه عملکرد شبکههای عصبی مصنوعی(ANN)و مدل میانگین متحرک انباشته اتورگرسیو (ARIMA) در مدلسازی و پیشبینی کوتاه مدت روند نرخ ارز در ایران
نرخ ارز و نوسانات آن به عنوان یکی از مهمترین مسائل بخش بازرگانی خارجی هر کشور از اهمیت ویژهای برخوردار است. عوامل زیادی همچون عوامل اقتصادی، سیاسی، و روانی بر نرخ ارز تاثیرگذار هستند و این عوامل خود باعث ایجاد شرایط نااطمینانی بیشتر میشوند. در این راستا تلاش سیاستگذاران در کاهش این نااطمینانی از طریق پیشبینی این متغیر باکمترین خطا بوده است. شبکههای عصبی مصنوعی از قابلیت بالایی در مدلسازی...
متن کاملمقایسه عملکرد شبکه های عصبی مصنوعی(ann)و مدل میانگین متحرک انباشته اتورگرسیو (arima) در مدلسازی و پیش بینی کوتاه مدت روند نرخ ارز در ایران
نرخ ارز و نوسانات آن به عنوان یکی از مهمترین مسائل بخش بازرگانی خارجی هر کشور از اهمیت ویژهای برخوردار است. عوامل زیادی همچون عوامل اقتصادی، سیاسی، و روانی بر نرخ ارز تاثیرگذار هستند و این عوامل خود باعث ایجاد شرایط نااطمینانی بیشتر میشوند. در این راستا تلاش سیاستگذاران در کاهش این نااطمینانی از طریق پیشبینی این متغیر باکمترین خطا بوده است. شبکههای عصبی مصنوعی از قابلیت بالایی در مدلسازی...
متن کاملبه کارگیری مدل میانگین متحرک خودرگرسیون انباشته فازی به منظور پیش بینی نرخ ارز
در دنیای امروز به کارگیری روشهای کمی پیش بینی در زمینه های مختلف مورد توجه گسترده قرار گرفته است. تغییرات سریع محیطهای ناشناخته در دنیای واقعی و به ویژه بازارهای مالی سبب ایجاد مشکلاتی برای پیش بینی کنندگان به منظور تأمین داده های مورد نیاز شده است. مدلهای میانگین متحرک خود رگرسیون انباشته (arima) دارای محدودیت تعداد داده های گذشته بوده و شبکه-های عصبی مصنوعی (anns) نیز به منظور حصول نتایج دقیق...
متن کاملمنابع من
با ذخیره ی این منبع در منابع من، دسترسی به آن را برای استفاده های بعدی آسان تر کنید
عنوان ژورنال:
فصلنامه مطالعات اقتصادی کاربردی ایران (علمی - پژوهشی)ناشر: دانشگاه بوعلی سینا
ISSN 2530-2322
دوره 2
شماره 8 2014
کلمات کلیدی
میزبانی شده توسط پلتفرم ابری doprax.com
copyright © 2015-2023