تحلیل سری های زمانی غیر خطی و شبکه عصبی مصنوعی بیزی در مدل سازی و پیش بینی رشد اقتصادی

Document Type : Research Paper

Authors

1 گروه مهندسی صنایع، دانشگاه سیستان و بلوچستان، سیستان و بلوچستان، ایران

2 گروه مدیریت صنعتی، دانشگاه بین المللی امام خمینی، قزوین، ایران

Abstract

پیش بینی صحیح رشد اقتصادی در سیاست گذاری ها و برنامه ریزی های بلند مدت توسعه ی پایدار نقش مهمی را ایفا می کند. یکی از مسائل مهم در پیش بینی سری های زمانی استفاده از روش هایی جهت شناسایی الگوهای زمانی با هدف کنترل پیچیدگی ها و بهینه سازی خطای حاصل از پیش بینی می باشد. در این تحقیق تحلیل سری های زمانی تولید ناخالص داخلی جهت پیش بینی مسیر حرکت رشد اقتصادی با استفاده از روش شبکه عصبی مصنوعی بیزی، برای انعطاف بیشتر مدل غیر خطی در برخورد با پیچیدگی-های مسئله و انطباق بیشتر با شرایط واقعی انجام خواهد گرفت. در ادامه با استفاده از ترکیب الگوریتم های فراابتکاری ژنتیک در آموزش شبکه به بهبود کارایی مدل در مقایسه با نتایج روش های قدیمی تر پرداخته می شود. در تخمین مدل از داده های دوره ی 1371 تا 1392 استفاده گردید و سپس کارایی آن برای داده های فصلی 1393 تا دو فصل اول 1395 با استفاده از معیار SSE و MSE بررسی گردید. نتایج نشان می‌دهد که اصلاح پیچیدگی های در آموزش شبکه نقش بسزایی در بهینه سازی خطای مدل خواهد داشت.

Keywords


1. Granger, C. W. J., and Newbold, P. (2014). Forecasting Economic Time Series: Academic Press.
2. Cutright, P. (1965). Political structure, economic development, and national social security programs. American journal of sociology, Vol.70, No.5, PP. 537-550.
3. Bjork, G. J. (1999). The Way it Worked and Why It Won’t: Structural Change and the Slowdown of U.S. Economic Growth: Praeger; Complete Numbers Starting.
4. Jones, C. L. (2013). Introduction to Economic Growth (3 Edition Ed.): W. W. Norton and Compan.;
5. Einicke, G. A. (2012). Smoothing, Filtering and Prediction: Estimating the Past, Present and Future: Intech.
6. Stock, J. H., and Watson, M. W. (2003). Introduction to Econometrics , Addison Wesley Boston.
7. Baffigi, A., Golinelli, R., and Parigi, G. (2004). “Bridge Models to Forecast the Euro Area GDP”, International Journal of Forecasting, Vol. 20, No. 3, PP. 447-460 .
8. Schumacher, C. (2007). “Forecasting German GDP Using Alternative Factor Models Based on Large Datasets”, Journal of Forecasting, Vol. 26, No. 4, PP. 271-302.
9. Schumacher ,C., and Breitung, J. (2008). “Real-Time Forecasting of German GDP Based on a Large Factor Model with Monthly and Quarterly Data”, International Journal of Forecasting, Vol. 24, No. 3, PP. 386-398.
10. Marcellino, M., and Schumacher, C. (2010). “Factor MIDAS for Nowcasting and Forecasting with Ragged‐Edge Data: A Model Comparison for German GDP”, Oxford Bulletin of Economics and Statistics, Vol. 72, No. 4, PP. 518-550.
11. Bańbura, M., and Rünstler, G. (2011). “A Look Into the Factor Model Black Box: Publication Lags and the Role of Hard and Soft Data in Forecasting GDP”, International Journal of Forecasting, Vol. 27, No. 2, PP. 333-346.
12. Zhang, G. P., and Qi, M. (2005). “Neural Network Forecasting for Seasonal and Trend Time Series”, European Journal of Operational Research, Vol. 160, No. 2, PP. 501-514.
13. Pouzols, F. M., Lendasse, A., and Barros, A. B. (2010). “Autoregressive Time Series Prediction by Means of Fuzzy Inference Systems Using Nonparametric Residual Variance Estimation”, Fuzzy Sets and Systems, Vol. 161, No. 4, PP. 471-497.
14. Giovanis, Ε. (2010), A Study of Panel Logit Model and Adaptive Neuro-Fuzzy Inference System in the Prediction of Financial Distress Periods, World Academy of Science, Engineering and Technology, Vol. 64, PP. 646-652.
15. Tealab, A. )8102(. Time series forecasting using artificial neural networks methodologies: A systematic review, Future Computing and Informatics Journal, Vol. 3, No. 2, PP. 334 – 340.
16. Box, G. E. P., Jenkins, G. M., Reinsel, G. C., and Ljung, G. M. (2015). Time Series Analysis: Forecasting
and Control: John Wiley and Sons.
17. Davidson, R., and Mackinnon, J. G. (1993). Estimation and Inference In Econometrics.
806 نشریۀ تخصصی مهندسی صنایع، دورۀ 52 ، شمارۀ 4، زمستان 9317
18. Fuller, W. A. (2009). Introduction to Statistical Time Series: John Wiley and Sons.
19. Geman, S., Bienenstock, E., and Doursat, R. (1992). “Neural Networks and the Bias/Variance Dilemma”, Neural Computation, Vol. 4, No. 1, PP. 1-58.
20. Liang, F. (2005). “Bayesian Neural Networks for Nonlinear Time Series Forecasting”, Statistics and Computing, Vol. 15, No. 1, PP. 13-29.
21. Mackay, D. J. (1995). “Probable Networks and Plausible Predictions—A Review of Practical Bayesian Methods for Supervised Neural Networks”, Network: Computation in Neural Systems, Vol. 6, No. 3, PP. 469-505.
22. Neal, R. M. (1996). “Priors for Infinite Networks”, Bayesian Learning for Neural Networks (PP. 29-53): Springer.
23. Bishop, C. M. (1995). Neural Networks for Pattern Recognition: Oxford University Press.
24. Holmes, C., and Mallick, B. (1998). “Bayesian Radial Basis Functions of Variable Dimension”, Neural Computation, Vol. 10, No. 5, PP. 1217-1233.
25. Freitas, J. (2000). Bayesian Methods for Neural Networks [Ph. D. Thesis]: Trinity College University of Cambridge and Cambridge University Engineering Department, Cambridge, UK.
26. Mackay, D. J. (1992). “A Practical Bayesian Framework for Backpropagation Networks”, Neural Computation, Vol. 4, No. 3, PP. 448-472.
27. Chua, C., and Goh, A. (2003). “Nonlinear Modeling with Confidence Estimation Using Bayesian Neural Networks”, International Journal for Numerical and Analytical Methods in Geomechanics, No. 27, PP. 651-667.
28. Kocadağlı, O., and Aşıkgil, B. (2014). “Nonlinear Time Series Forecasting with Bayesian Neural Networks”, Expert Systems with Applications, Vol. 41, No. 15, PP. 6596-6610.
29. Chambers JA, Sherliker W and Mandic DP 2000 A normalised gradient algorithm for an adaptive recurrent perceptron. In Proc. Int. Conf. on Acoustics, Speech and Signal Processing (ICASSP-2000), Vol. 1, PP. 396–399.
30. Marwala, T. (2007). Bayesian training of neural networks using genetic programming. Pattern Recognition Letters, Vol. 28, No. 12, PP. 1452-1458 .
31. Michalewicz, Z., : Genetic algorithms + data STRUCTURES = evolution programs. Springer, New York (1996)