نوع مقاله : مقاله پژوهشی

نویسندگان

1 استادیار گروه ریاضی، دانشکده علوم پایه، دانشگاه آیت الله العظمی بروجردی، بروجرد، ایران

2 استادیار اقتصاد دانشگاه آیت الله العظمی بروجردی (ره)

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 گردید. در این مجموعه، 13/42 درصد از کل مشاهدات موجود نیست. در روش پیشنهادی، شبکه تصادفی که گره‌های آن کشورهاست لحاظ شد. سپس مدل خودتوضیح بر اساس تمامی داده‌های گره‌های همسایگی چند مرحله‌ی آن ساخته شد. برخی پارامترهای مدل مذکور 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 مدل گردید. بر اساس مدل نهایی، سری زمانی پیش‌بینی شد. برای مدل‌سازی به روش پیشنهادی، از ده هزار شبکه تصادفی بدون جهت و ۱۶ مدل شامل 8 مدل محلی و 8 مدل سراسری بر روی هر شبکه لحاظ 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 37 بدست آمد. در پایان، مدل مذکور با مدل‌های کلاسیک همچون خودتوضیح، خودتوضیح برداری و گارچ مورد مقایسه قرار گرفت که برتری روش مذکور در کاهش خطای پیش‌بینی نسبت به سه مدل کلاسیک مذکور، قابل توجه می‌باشد.

کلیدواژه‌ها

موضوعات