مقایسه روش‌های خودگردان و شبکه عصبی خودگردان در سری-های زمانی غیرخطی

شبکه‌های عصبی مصنوعی‏، از جمله مد‎ل‎های ریاضی جدیدی هستند که با دقت بالا به مد‏‎ل‎بندی ساختار سر‏ی‌های زمانی غیرخطی می‌پردازند. مزیت این مدل‌ها در مقایسه با مدل‌های سری زمانی این است که نیاز به فرضیات محدود کننده نمی‌باشد. دقت برآوردگرهای حاصل از شبکه عصبی به عنوان یک مدل ناپارامتری از مسائل مهم می‌باشد. برای این منظور با استفاده از روش‌های خودگردان، می‌توان دقت برآوردگرها را در ساختارهای پیچیده و غیرخطی سری‌های زمانی محاسبه کرد. این روش‌ها که در سال‌های اخیر معرفی شده‌اند، در محاسبه اریبی و واریانس برآوردگرها، در مقایسه با سایر روش‌ها از دقت بالاتری برخوردار هستند. در این مقاله ابتدا به معرفی الگوریتم‌های شبکه عصبی خودگردان، خودگردان اتورگرسیو، خودگردان بلوک متحرک و خودگردان مانده‌ها در سری‌های زمانی پرداخته می‌شود. سپس این چهار الگوریتم در یک مطالعه شبیه‌سازی برای مدل‌های اتورگرسیو، اتورگرسیو نمایی، اتورگرسیو آستانه‌ای خودمحرک و اتورگرسیو تغییر وضعیت هموار برای اندازه دقت برآورد واریانس استاندارد شده سه برآوردگر میانگین، اتوکوواریانس مرتبه صفر(واریانس) و اتوکوواریانس مرتبه یک، مورد مقایسه قرار می‌گیرند. در نهایت با استفاده از داده‌های قیمت نفت سنگین ایران به ارائه یک مثال کاربردی پرداخته می‌شود.