کاربرد تلفیقی مدل های داده - ستانده و شبکه ی عصبی در پیش بینی تولید کل و تقاضای نهایی
نویسندگان
چکیده
پیش بینی متغیرها یکی از وظایف اصلی و مهم علوم مختلف از جمله اقتصاد می باشد. به طور کلی پیش بینی ها می توانند در ارتباط با انجام بخشی از سیاست ها کاربردهای مفید و مؤثری را به نمایش گذارند. در این مطالعه به طور مشخص از مدل تلفیقی داده ستانده و شبکه ی عصبی در پیش بینی تقاضای نهایی و تولید کل استفاده و با نتایج حاصل از کاربرد مدل داده ستانده مقایسه شده است. ابتدا با استفاده از میانگین نرخ رشد تقاضای نهایی طی سالهای 1365 الی 1375 به برآورد تقاضای نهایی پرداخته و سپس تولید کل با استفاده از روش داده ستانده پیش بینی شده است. در گام بعدی دو شبکه ی عصبی پیش خور تعمیم یافته به ترتیب با یک و سه لایه ی پنهان و توابع فعال سازی axon در نظر گرفته شده اند. متغیر خروجی شبکه ی اول، تقاضای نهایی سال 1380 و متغیر خروجی شبکه ی دوم، تولید کل سال 1380 می باشد. استفاده از معیارهای mse، rmse، mad، mape و u-thail در مقایسه ی دو مدل نشان می دهد که مدل تلفیقی داده ستانده و شبکه ی عصبی نسبت به مدل داده ستانده در پیش بینی تولید کل از دقت بیش تری برخوردار است. طبقه بندی :jel c53, d57, c54
منابع مشابه
کاربرد تلفیقی مدل‌های داده - ستانده و شبکه‌ی عصبی در پیش بینی تولید کل و تقاضای نهایی
پیشبینی متغیرها یکی از وظایف اصلی و مهم علوم مختلف از جمله اقتصاد می‌باشد. به‌طور کلی پیش‌بینی‌ها می‌توانند در ارتباط با انجام بخشی از سیاست‌ها کاربردهای مفید و مؤثری را به نمایش گذارند. در این مطالعه به طور مشخص از مدل تلفیقی داده ستانده و شبکه‌ی عصبی در پیشبینی تقاضای نهایی و تولید کل استفاده و با نتایج حاصل از کاربرد مدل داده ستانده مقایسه شده است. ابتدا با استفاده از میانگین نرخ رشد تقا...
متن کاملکاربرد تلفیقی مدل داده ستانده و شبکه عصبی در پیش بینی متغیرهای کلان اقتصادی
پیش بینی متغیرهایکی از وظایف اصلی و مهم علوم مختلف از جمله اقتصاد می باشد. به طوری که پیش بینی متغیرهای کلان اقتصادی از اهمیت و جایگاه ویژه ای در مباحث علمی اقتصاد برخوردار بوده و مدل های مختلفی برای پیش بینی مقادیر آتی متغیرها به وجود آمده اند تا سیاست گذاران اقتصادی را در اتخاذ سیاست های پولی و مالی مناسب یاری نمایند. به طور کلی پیش بینی ها می توانند در ارتباط با انجام بخشی از سیاست ها کاربرد...
15 صفحه اولمدل پیشنهادی برای پیش بینی تولید ناخالص داخلی کاربرد مدل هایARIMA شبکه های عصبی و تبدیل موجک
تولید ناخالص داخلی یکی از عمده ترین و کاربردی ترین شاخص های اقتصادی است؛ لذا پیش بینی آن،همواره توجه کلیه دست اندرکاران اقتصادی و علوم مرتبط را به خود جلب کرده است. هرچند روش های تجزیهو تحلیل سری زمانی و روش های غیرخطی همانند مدل های شبکه عصبی مدتهاست که برای پیش بینی این گونهمتغیرها به کار می روند، لیکن کاربرد ابزار توانمند موجک در پردازش داده ها و بررسی لایه های پنهان آن نشانمی دهد که سری زما...
متن کاملکاربرد شبکه عصبی مصنوعی در پیش بینی تبخیر-تعرق با حداقل داده های هواشناسی
برآورد دقیق تبخیر- تعرق در اعمال مدیریت بهینۀ منابع آب، ضروری است. تبخیر - تعرق مؤلفه مهمی در توازن آب در مناطق مختلف به شمار می‌رود. مهندسین آب با علم به اینکه چه مقدار از آب آبیاری به مصرف محصول می‌رسد، قادر به محاسبه مهمترین جز آب در سیکل هیدرولوژیک یعنی تبخیر - تعرق خواهند بود. در مطالعه حاضر تبخیر– تعرق روزانه دشت ارومیه با استفاده از دادههای هواشناسی طی دوره آماری 1390 – 1363 به روش فائو...
متن کاملپیش بینی خشکسالی با استفاده از مدل تلفیقی شبکه عصبی مصنوعی- موجک و مدل سری زمانیARIMA
تبدیل موجک یکی از روشهای نوین و بسیار موثر در زمینه تحلیل سیگنالها و سریهای زمانی است. در این روش سیگنال شاخص بارش استاندارد (SPI) با استفاده از موجک مادر منتخب تجزیه شده، دادههای حاصل بهعنوان ورودی مدل شبکه عصبی مصنوعی در نظر گرفته شده و یک مدل تلفیقی برای پیشبینی خشکسالی ارائه میگردد. در این تحقیق، از شبکههای عصبی مصنوعی پرسپترون چند لایه (MLP) و تابع پایه‌ای شعاعی ((RBF، سری زمانی AR...
متن کاملمنابع من
با ذخیره ی این منبع در منابع من، دسترسی به آن را برای استفاده های بعدی آسان تر کنید
عنوان ژورنال:
مجله تحقیقات اقتصادیناشر: دانشکده اقتصاد- دانشگاه تهران
ISSN 0039-8969
دوره 47
شماره 4 2013
کلمات کلیدی
میزبانی شده توسط پلتفرم ابری doprax.com
copyright © 2015-2023