پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 158 |
| تعداد شماره‌ها | 6,225 |
| تعداد مقالات | 67,685 |
| تعداد مشاهده مقاله | 114,994,599 |
| تعداد دریافت فایل اصل مقاله | 89,664,616 |
الگوسازی و پیشبینی رشد اقتصادی ایران با رویکرد شبکة عصبی GMDH | ||
| فصلنامه تحقیقات اقتصادی | ||
| مقاله 1، دوره 44، شماره 3، اسفند 1388 اصل مقاله (321.38 K) | ||
| نویسندگان | ||
| حمید ابریشمی؛ محسن مهرآرا؛ مهدی احراری؛ سوده میرقاسمی | ||
| دانشگاه تهران | ||
| چکیده | ||
| در این مقاله از شبکة عصبی GMDH، بهعنوان ابزاری با قابلیت بالا در مسیریابی و تشخیص روندهای غیرخطی پیچیده، بهویژه با تعداد مشاهدات محدود، برای الگوسازی و پیشبینی رشد تولید ناخالص داخلی به قیمت ثابت در ایران استفاده شده است. ابتدا الگویی بنیادی شامل 7 متغیر همراه با وقفة اول رشد تولید ناخالص داخلی طراحی و سپس با استفاده از فرآیند قیاسی و نیز کنارگذاشتن هر متغیر از الگوی بنیادی، در مجموع 18 مدل اجرا شد. نتایج نشان داد الگوهای حاصل از کنار گذاشتن رشد صادرات کل، رشد صادرات نفت و رشد حجم تجارت از الگوی بنیادی، به ترتیب بیشترین سهم را در کاهش خطای پیشبینی دارا هستند. همچنین اثر مضاعف رشد هزینههای دولت بر متغیر هدف، مؤید نتایج مطالعات اخیر در کشورهای در حال توسعة نفتی است. برتری شبکة عصبی GMDH در دقت پیشبینی رشد اقتصادی نسبت به روش ARIMA، بر اساس معیارهای خطا نیز مورد تأئید قرار گرفت. طبقهبندی JEL : C22, C45, C53, O41 | ||
| کلیدواژه‌ها | ||
| پیشبینی؛ رشد تولید ناخالص داخلی؛ شبکة عصبیGMDH؛ فرآیند قیاسی | ||
| عنوان مقاله [English] | ||
| Forecasting the GDP in Iran Based on GMDH Neural Network | ||
| نویسندگان [English] | ||
| Hamid Abrishami؛ mohsen mehrara؛ Mehdi Ahrari؛ Soude Mirghasemi | ||
| چکیده [English] | ||
| This study employs a GMDH neural network model, which has high capability in recognition of complicated non-linear trends especially with small samples, for modeling and predicting Iranian GDP growth. First a fundamental model containing 7 independent variables together with dependent variable is designed and then by using deductive process and omission of one variable at a time, a total of 18 models are estimated. The results shows that omission of total export growth, oil export growth and trading volume growth variables from the fundamental model have the most impact in terms of reducing prediction errors. Moreover, the effect of government expenditure growth on the objective variables confirms recent researches in oil rich countries. In the end, it is shown that the GMDH neural network has better predictive power than ARIMA method in prediction GDP growth based on error criteria. JEL Classification: C22, C45, C53, O41 | ||
| کلیدواژه‌ها [English] | ||
| Deductive process, forecasting, Fundamental methods, GDP growth, GMDH Neural Network | ||
|
آمار تعداد مشاهده مقاله: 3,383 تعداد دریافت فایل اصل مقاله: 2,240 |
||