مدل‌سازی و پیش‌بینی رشد اقتصادی با تحلیل سری‌های زمانی غیرخطی

نویسندگان

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

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.

برای دانلود باید عضویت طلایی داشته باشید

برای دانلود متن کامل این مقاله و بیش از 32 میلیون مقاله دیگر ابتدا ثبت نام کنید

اگر عضو سایت هستید لطفا وارد حساب کاربری خود شوید

منابع مشابه

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...

متن کامل

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.

متن کامل

منابع من

با ذخیره ی این منبع در منابع من، دسترسی به آن را برای استفاده های بعدی آسان تر کنید

ذخیره در منابع من قبلا به منابع من ذحیره شده

{@ msg_add @}


عنوان ژورنال

دوره 52  شماره 4

صفحات  597- 608

تاریخ انتشار 2018-12-22

با دنبال کردن یک ژورنال هنگامی که شماره جدید این ژورنال منتشر می شود به شما از طریق ایمیل اطلاع داده می شود.

میزبانی شده توسط پلتفرم ابری doprax.com

copyright © 2015-2023