پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 161 |
| تعداد شماره‌ها | 6,532 |
| تعداد مقالات | 70,501 |
| تعداد مشاهده مقاله | 124,095,298 |
| تعداد دریافت فایل اصل مقاله | 97,201,532 |
بررسی مقایسه‌ای توان پیش‌بینی شبکه‌های عصبی مصنوعی با روش توقف زود هنگام و فرایند سری زمانی خودبازگشت در براورد نرخ تورم | ||
| فصلنامه تحقیقات اقتصادی | ||
| مقاله 2، دوره 42، شماره 4، مرداد 1386 اصل مقاله (184.6 K) | ||
| نویسندگان | ||
| پیام حنفی زاده1؛ حسین پورسلطانی2؛ پریسا ساکتی* 3 | ||
| 1استادیار گروه مدیریت صنعتی، دانشگاه علامه طباطبائی، دانشکدة مدیریت و حسابداری | ||
| 2کارشناسی ارشد مدیریت فنّ‌آوری اطلاعات، دانشگاه علاّمه طباطبائی، دانشکدة مدیریت و حسابداری | ||
| 3کارشناسی ارشد مدیریت فنّ‌آوری اطلاعات، دانشگاه علامه طباطبائی، دانشکدة مدیریت و حسابداری | ||
| چکیده | ||
| این مقاله به بررسی مقایسه‌ای توان شبکه‌های عصبی مصنوعی و سری‌های زمانی خودبازگشت در پیش‌بینی ایستای نرخ تورّم ایران می‌پردازد. در یک بررسی، با استفاده از 37 سال داده‌های تاریخی نرخ تورّم ایران، مدل شبکة عصبی مصنوعی در پیش‌بینی آیندة نزدیک در مقایسه با سری‌های زمانی خودبازگشت، بهطور متوسط از عملکرد بهتری برخوردار است. در این بررسی، مزایای روش توقّف زودهنگام در مرحلة یادگیری شبکة عصبی برای پیش‌بینی سری‌های زمانی نشان داده شده است. طبقهبندی JEL: C51, C52, C53, E37 | ||
| کلیدواژه‌ها | ||
| انتخاب مدل؛ پیش‌بینی؛ تورم؛ سری‌های زمانی؛ شبکة عصبی | ||
|
آمار تعداد مشاهده مقاله: 2,715 تعداد دریافت فایل اصل مقاله: 5,724 |
||