مدل پیشنهادی برای پیش بینی تولید ناخالص داخلی کاربرد مدل هایARIMA شبکه های عصبی و تبدیل موجک

Abstract

تولید ناخالص داخلی یکی از عمده ترین و کاربردی ترین شاخص های اقتصادی است؛ لذا پیش بینی آن،<br />همواره توجه کلیه دست اندرکاران اقتصادی و علوم مرتبط را به خود جلب کرده است. هرچند روش های تجزیه<br />و تحلیل سری زمانی و روش های غیرخطی همانند مدل های شبکه عصبی مدتهاست که برای پیش بینی این گونه<br />متغیرها به کار می روند، لیکن کاربرد ابزار توانمند موجک در پردازش داده ها و بررسی لایه های پنهان آن نشان<br />می دهد که سری زمانی تولید ناخالص داخلی از جمله متغیرهایی است که پس از تجزیه در برخی سطوح، رفتاری<br />خطی و در برخی سطوح رفتاری غیرخطی دارد؛ از این رو پیشنهاد شد که ابتدا سری زمانی مذکور به صورت<br />داده های فصلی طی دوره 7631 تا 7631 ، با استفاده از تکنیک موجک به مولفه های مقیاسی متفاوتی تجزیه شده و<br />سپس با کمک مدل ARIMA سری تقریب )روند( و سیکل های با رفتار خطی، و آنگاه با مدل شبکه عصبی<br />سیکل های با رفتار غیرخطی پیش بینی شوند. این مقاله نشان می دهد که نتیجه اعمال این روش پیشنهادی در<br />مقایسه با مدل شبکه عصبی خودتوضیح غیرخطی با لوپ بسته و مدل ARIMA دقیق تر و کارآتر است.