مدل‌سازی و پیش‌بینی رشد اقتصادی با تحلیل سری‌های زمانی غیرخطی

Authors

  • محمد انیسه استادیار گروه مدیریت صنعتی دانشگاه بین‌المللی امام خمینی
Abstract:

پیش‌بینی صحیح رشد اقتصادی در سیاست‌گذاری‌ها و برنامه‌ریزی‌های بلندمدت توسعة پایدار نقشی مهم را ایفا می‌کند. یکی از مسائل مهم در پیش‌بینی سری‌های زمانی استفاده از روش‌هایی برای شناسایی الگوهای زمانی با هدف کنترل پیچیدگی‌ها و بهینه‌سازی خطای حاصل از پیش‌بینی است. در این پژوهش، تحلیل سری‌های زمانی تولید ناخالص داخلی به‌صورت غیرخطی به‌منظور پیش‌بینی مسیر حرکت رشد اقتصادی به‌کمک روش شبکة عصبی مصنوعی بیزی، برای انعطاف بیشتر مدل غیرخطی در برخورد با پیچیدگی‌های مسئله و انطباق بیشتر با شرایط واقعی صورت گرفت. در ادامه با استفاده از ترکیب الگوریتم فراابتکاری ژنتیک در آموزش شبکه، به بهبود کارایی مدل در مقایسه با نتایج روش‌های قدیمی‌تر پرداخته ‌شد. در تخمین مدل از داده‌های دورة 1371 تا 1392 استفاده شد. سپس بررسی کارایی آن برای داده‌های فصلی 1393 تا دو فصل اول 1395 با استفاده از معیارهای میانگین مربعات خطا و خطای استاندارد میانگین صورت گرفت. براساس نتایج، اصلاح پیچیدگی‌ها در آموزش شبکه نقش بسزایی در بهینه‌سازی خطای مدل خواهد داشت.

Upgrade to premium to download articles

Sign up to access the full text

Already have an account?login

similar resources

تحلیل روند و ایستایی جریان رودخانه به منظور مدلسازی سریهای زمانی هیدرولوژیکی

بسیاری از سریهای زمانی هیدرولوژیکی دارای روند بوده و ناایستا هستند. از طرفی یکی از مسائل مهم در مدلسازیسریهای زمانی هیدرولوژیکی بررسی وجود روند و رسیدن به یک سری زمانی ایستاست. بنابراین ارائه روشهایی کهبتواند روند و ایستایی را بررسی کرده و قبل از مدلسازی در تشخیصوجود یا عدم وجود ایستایی به ما کمک کند،بسیار مفید خواهد بود. از طرف دیگر بررسی روند میتواند در تفسیر رابطه بین فرآیندهای هیدرولوژیکی و...

full text

سریهای زمانی غیرخطی و الگوی sdm

یک مدل arma خطی بصورت زیر را در نظر بگیرید. xt+?1xt-1+...+?kxt-k?+?t+?1?t-1+...+?l?t-l همانطور که می دانیم، در مدل پارامترها ثابت فرض می شوند، در صورتی که در کلاس بزرگی از سریهای زمان غیرخطی، پارامترها بصورت تابعی از گذشته خود می باشند. پریستلی با قرار دادن xt-1(?t-1,...,?t-l,xt-1,...,xt-k)?؟ به عنوان بردار حالت ?xt-1 هستند یک مدل کلی به نام مدل وابسته به حالت (sstate dependent model) را بصورت ...

15 صفحه اول

تجزیه و تحلیل سریهای زمانی تصادفی به روش قطع تراز

  Level crossing is a powerful method for analyzing the random time series. In this paper by introducing this method we investigate the beta noises and represent differences between 1/f noise and white noise and also research the cardiac heart interbeat interval (RR) time series and find clear distinctions between healthy samples and samples with Congestive heart failure (CHF) disease.

full text

My Resources

Save resource for easier access later

Save to my library Already added to my library

{@ msg_add @}


Journal title

volume 52  issue 4

pages  597- 608

publication date 2018-12-22

By following a journal you will be notified via email when a new issue of this journal is published.

Hosted on Doprax cloud platform doprax.com

copyright © 2015-2023