سیدمحمد حسینی؛ رامین خوچیانی
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 ...
بیشتر
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.