تعداد نشریات | 55 |
تعداد شمارهها | 1,832 |
تعداد مقالات | 14,616 |
تعداد مشاهده مقاله | 31,697,301 |
تعداد دریافت فایل اصل مقاله | 19,715,804 |
مقایسه کارایی مدلهای کلاسیک و شبکههای پویا در کاربردی از مدلهای خودتوضیح شبکهای تعمیمیافته | ||
پژوهشنامه اقتصادی | ||
مقاله 5، دوره 22، شماره 84 - شماره پیاپی 1، فروردین 1401، صفحه 171-194 اصل مقاله (1.51 M) | ||
نوع مقاله: مقاله پژوهشی | ||
شناسه دیجیتال (DOI): 10.22054/joer.2022.64422.1018 | ||
نویسندگان | ||
سیدمحمد حسینی* 1؛ رامین خوچیانی2 | ||
1استادیار، گروه ریاضی، دانشگاه آیتالله العظمی بروجردی، بروجرد، ایران | ||
2استادیار، گروه اقتصاد، دانشگاه آیتالله العظمی بروجردی، بروجرد، ایران | ||
چکیده | ||
یکی از مهمترین مشکلات در پیشبینی پدیدههای اقتصادی فقدان دادههای کافی و یا وجود دادههای مفقودی قابل توجه در سریهای زمانی است. در مقاله حاضر با استفاده از روش جدید خودتوضیح شبکهای تعمیمیافته، دادههای سری زمانی مربوط به نرخ رشد تولید ناخالص داخلی مربوط به ۱۸ کشور حوزه خاورمیانه و شمال آفریقا از سال ۱۹۸۰ تا ۲۰۱۹ مدلسازی شد. در این مجموعه، 42/13 درصد از کل مشاهدات موجود نیست. در روش پیشنهادی، شبکه یا گراف تصادفی که راسها یا گرههای آن کشورها یا سریهای زمانی مربوط به آنها است در نظر گرفته شد. سپس مدل خودتوضیح هر گره براساس تمامی دادههای گرههای همسایگی چند مرحله آن ساخته شد. برخی پارامترهای مدل مدنظر میتواند به گره وابسته باشد (مدل محلی) یا برای تمامی گرههای شبکه یکسان لحاظ شود (مدل سراسری). دادههای مفقودی نیز توسط تغییر در وزن یالهای شبکه روی گرهها مدل شد. در انتها، براساس مدل ساخته شده سری زمانی پیشبینی شد. از آنجا که ساختار شبکه بر مدل و در نهایت بر پیشبینی تاثیرگذار است و بررسی تمامی شبکههای ممکن دشوار است برای مدلسازی به روش پیشنهادی از 10 هزار شبکه تصادفی بدون جهت و ۱۶ مدل شامل 8 مدل محلی و 8 مدل سراسری روی هر شبکه در نظر گرفته شد. از بین 160 هزار مدل ساخته شده، مدلی که بتواند کمترین خطای پیشبینی را داشته باشد به عنوان بهترین شبکه انتخاب و از آن برای پیشبینی اصلی استفاده شد.کمترین میزان خطای پیشبینی یک گام درون نمونهای، مربوط به شبکه محلی با ۶۴ یال و تعداد پارامترهای مدل متناظر با آن 4 به دست آمد. در نهایت، مدل مورد بررسی با مدلهای کلاسیک همچون خودتوضیح و خودتوضیح برداری مورد مقایسه قرار گرفت که برتری مدل ارائه شده در کاهش خطای پیشبینی نسبت به دو مدل کلاسیک مذکور، قابل توجه است. | ||
کلیدواژهها | ||
شبکه؛ پیشبینی؛ خودتوضیح شبکهای؛ یال؛ تولید ناخالص داخلی | ||
مراجع | ||
اسدی، غلامحسین و نقدی، سجاد. (1397). طراحی و تبیین الگوی پیشبینی رشد اقتصادی با رویکرد حسابداری. مجله دانش حسابداری، (3)9، 39-63.
برکچیان، سید مهدی، سمائی، کیان و نجفی زیارانی، فاطمه. (1400). ساخت نشانگر پیشرو ترکیبی برای پیشبینی تولید ناخالص داخلی ایران. مطالعات اقتصادی کاربردی ایران، (40)10، 39-71.
شایگانی، بیتا، سلامی، امیربهداد و خوچیانی، رامین. (1393). مدل پیشنهادی برای پیش بینی تولید ناخالص داخلی کاربرد مدلهایARIMA شبکههای عصبی و تبدیل موجک. دانش مالی تحلیل اوراق بهادار، (24)7، 147-162.
فاضل، مهدی، توکلی، اکبر و رجبی، مصطفی. (1392). مقایسه عملکرد الگوی ARIMA و MS-AR در پیشبینی ادوار تجاری ایران. مدلسازی اقتصادی، (22)7، 63-81.
مشکانی، محمدرضا و فخاری، علی. (1384). مقایسه کارایی مدلهای کلاسیک وپویای بیزی در کاربردی از مدلهای و پویای سری زمانی بیزی. تحقیقات اقتصادی، (4)40، 321-354.
Assadi (Ph.D), G., & Naghdi, S. (2018). Designing and Formulating the Forecasting Model of Economic Growth by Accounting Approach. Journal of Accounting Knowledge, 9(3), 39-63. doi: 10.22103/jak.2018.11095.2524 [In Persian]
Barakchian, S. M., Samaei, K., & Najafi Ziarani, F. (2022). Constructing a Composite Leading Indicator for Forecasting Non-Oil GDP. Journal of Applied Economics Studies in Iran, 10(40), 39-71. doi: 10.22084/aes.2021.20365.2957 [In Persian]
Bashir F. & Wei H. L. (2016). Handling Missing Data in Multivariate Time Series Using a Vector Autoregressive Model Based Imputation (VAR-IM) Algorithm. In Proceedings of the 24th Mediterranean Conference on Control and Automation (MED), 611–616. IEEE, Athens, Greece.
Erdös, P., & Rényi, A. (1959). On Random Graphs. I., Publicationes Mathematicae 6, 290–297.
Fazel, M., Tavakoli, A., & Rajabi, M. (2013). Comparing the Performance of ARIMA and MS-AR Models to Forecast Business Cycles in Iran. Economical Modeling, 7(22), 63-81. [In Persian]
Hanneke, S., Fu, W., Xing, E. P., Discrete temporal models of social networks. Electron. J. Statist. 4 585 - 605, 2010.
Knight, M., Leeming, K., Nason, G., & Nunes, M. (2020). Generalized network autoregressive processes and the GNAR package, Journal of Statistical Software, 96(5), 1-36.
Knight, M.I., Nunes, M.A., & Nason, G.P. (2016). Modelling, Detrending and Decorrelation of Network Time Series. arXiv: Methodology.
Krampe, J. (2019). Time series modeling on dynamic networks, Electronic Journal of Statistics, Electronic Journal of Statistics, 13(2), 4945-4976.
Krivitsky, P. N. and Handcock, M. S. (2014). A separable model for dynamic networks. Journal of the Royal Statistical Society: Series B (Statistical Methodology), 76(1), 29-46.
Lütkepohl, H. (2005). New Introduction to Multiple Time Series Analysis. Berlin: Springer-Verlag.
Meshkani, M. & Fakhari, A. (2006). Comparing the performance of classical and dynamic Bayesian models in the application of Bayesian time series and dynamic models. Journal of Economic Research (Tahghighat- E- Eghtesadi), 40(4), 321-354. [In Persian]
OECD (2021). Quarterly GDP.
Schwarz, G. (1978). Estimating the Dimension of a Model. The Annals of Statistics, 6(2), 461–464.
Shaygani, B., Salami, A., & Khochiani, R. (2014). The Proposed Model For Prediction Of GDP Using With ARIMA, Neural Networks And Wavelet Transform. Financial Knowledge of Securities Analysis, 7(24), 147-162. [In Persian]
Xu, K. (2015). Stochastic block transition models for dynamic networks. Artificial Intelligence and Statistics, 1079-1087.
Zellner, A. (1971). An Introduction to Bayesian Inference in Econometrics. Wiley, New York.
Zhu X., Pan R., Li G., Liu Y., Wang H. (2017). Network Vector Autoregression. The Annals of Statistics, 45, 1096–1123. | ||
آمار تعداد مشاهده مقاله: 140 تعداد دریافت فایل اصل مقاله: 101 |