اسدی، غلامحسین و نقدی، سجاد. (1397). طراحی و تبیین الگوی پیش‌بینی رشد اقتصادی با رویکرد حسابداری. مجله دانش حسابداری، (3)9، 39-63.
برکچیان، سید مهدی، سمائی، کیان و نجفی زیارانی، فاطمه. (1400). ساخت نشانگر پیشرو ترکیبی برای پیش‌بینی تولید ناخالص داخلی ایران. مطالعات اقتصادی کاربردی ایران، (40)10، 39-71.
شایگانی، بیتا، سلامی، امیربهداد و خوچیانی، رامین. (1393). مدل پیشنهادی برای پیش بینی تولید ناخالص داخلی کاربرد مدل‌هایARIMA شبکه‌های عصبی و تبدیل موجک. دانش مالی تحلیل اوراق بهادار، (24)7، 147-162.
فاضل، مهدی، توکلی، اکبر و رجبی، مصطفی. (1392). مقایسه عملکرد الگوی ARIMA و MS-AR در پیش‌بینی ادوار تجاری ایران. مدلسازی اقتصادی، (22)7، 63-81.
مشکانی، محمدرضا و فخاری، علی. (1384). مقایسه کارایی مدل‌های کلاسیک وپویای بیزی در کاربردی از مدل‌های و پویای سری زمانی بیزی. تحقیقات اقتصادی، (4)40، 321-354.
Assadi (Ph.D), G., & Naghdi, S. (2018). Designing and Formulating the Forecasting Model of Economic Growth by Accounting Approach. Journal of Accounting Knowledge, 9(3), 39-63. doi: 10.22103/jak.2018.11095.2524 [In Persian]
Barakchian, S. M., Samaei, K., & Najafi Ziarani, F. (2022). Constructing a Composite Leading Indicator for Forecasting Non-Oil GDP. Journal of Applied Economics Studies in Iran, 10(40), 39-71. doi: 10.22084/aes.2021.20365.2957 [In Persian]
Bashir F. & Wei H. L. (2016). Handling Missing Data in Multivariate Time Series Using a Vector Autoregressive Model Based Imputation (VAR-IM) Algorithm. In Proceedings of the 24th Mediterranean Conference on Control and Automation (MED), 611–616. IEEE, Athens, Greece.
Erdös, P., & Rényi, A. (1959). On Random Graphs. I., Publicationes Mathematicae 6, 290–297.
Fazel, M., Tavakoli, A., & Rajabi, M. (2013). Comparing the Performance of ARIMA and MS-AR Models to Forecast Business Cycles in Iran. Economical Modeling, 7(22), 63-81. [In Persian]
Hanneke, S., Fu, W., Xing, E. P., Discrete temporal models of social networks. Electron. J. Statist. 4 585 - 605, 2010.
Knight, M., Leeming, K., Nason, G., & Nunes, M. (2020). Generalized network autoregressive processes and the GNAR package, Journal of Statistical Software, 96(5), 1-36.
Knight, M.I., Nunes, M.A., & Nason, G.P. (2016). Modelling, Detrending and Decorrelation of Network Time Series. arXiv: Methodology.
Krampe, J. (2019). Time series modeling on dynamic networks, Electronic Journal of Statistics, Electronic Journal of Statistics, 13(2), 4945-4976.
Krivitsky, P. N. and Handcock, M. S. (2014). A separable model for dynamic networks. Journal of the Royal Statistical Society: Series B (Statistical Methodology), 76(1), 29-46.
Lütkepohl, H. (2005). New Introduction to Multiple Time Series Analysis. Berlin: Springer-Verlag.
Meshkani, M. & Fakhari, A. (2006). Comparing the performance of classical and dynamic Bayesian models in the application of Bayesian time series and dynamic models. Journal of Economic Research (Tahghighat- E- Eghtesadi), 40(4), 321-354. [In Persian]
OECD (2021). Quarterly GDP.
Schwarz, G. (1978). Estimating the Dimension of a Model. The Annals of Statistics, 6(2), 461–464.
Shaygani, B., Salami, A., & Khochiani, R. (2014). The Proposed Model For Prediction Of GDP Using With ARIMA, Neural Networks And Wavelet Transform. Financial Knowledge of Securities Analysis, 7(24), 147-162. [In Persian]
Xu, K. (2015). Stochastic block transition models for dynamic networks. Artificial Intelligence and Statistics, 1079-1087.
Zellner, A. (1971). An Introduction to Bayesian Inference in Econometrics. Wiley, New York.
Zhu X., Pan R., Li G., Liu Y., Wang H. (2017). Network Vector Autoregression. The Annals of Statistics, 45, 1096–1123.
)