تعداد نشریات | 161 |
تعداد شمارهها | 6,573 |
تعداد مقالات | 71,037 |
تعداد مشاهده مقاله | 125,520,932 |
تعداد دریافت فایل اصل مقاله | 98,780,494 |
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 | ||
عنوان مقاله [English] | ||
Comparative Study of Estimation Power of Artificial Neural Networks and Autoregressive Time Series Models in Inflation Forecasting | ||
چکیده [English] | ||
This article is a comparative study of estimation power of artificial neural networks and autoregressive time series models in inflation forecasting. Using 37 years Iran’s inflation data, neural networks performs better on average for short horizons than autoregressive models. This study shows usefulness of early stopping technique in learning stage of neural networks for estimating time series. JEL Classifications: C51, C52, C53, E37 | ||
کلیدواژهها [English] | ||
Forecasting – Inflation, Model Selection, Neural Network, time series | ||
آمار تعداد مشاهده مقاله: 2,729 تعداد دریافت فایل اصل مقاله: 5,739 |