خلاصة:
امروزه نقش پیش بینی در بهره گیری از فرصت ها و یا دوری از تهدیدات انکارناپذیر است، لذا روش های متعدد پیش بینی نیز جهت شناسایی این فرصت ها در طی سال های گذشته مطرح گردیده اند؛ امام روش های موجود کمتر به تلفیق جنبه های ضمنی با جنبه های آماری جهت ارتقاء سطح پیش بینی پرداخته اند. به منظور برطرف ساختن مشکل مذکور و حصول نتایج دقیق تر، مدلی ارائه گردیده است که جنبه های آماری (انتظارات تطبیقی)را با به کارگیزی آریما برای هریک از سری های زمانی، و جنبه های ضمنی(انتظارات عقلایی)را در همگرایی ماتریسی سری های زمانی منبلور می سازد. مدل با همه پییچیدگی های مفهومی به یک مدل ریاضی برنامه ریزی غیرخطی تبدیل می شود و در نهایت با استفاده نرم افزار گمز حل می گردد و پارامترهای آریما از آن استخراج می گردد. در ادامه با استفاده از پارامترهای تخمین زده شده، مقادیر دوره های بعد پیش بینی می گردد. میزان صحت پیش بینی های مدل مذکور نیز براساس معیار ریشه میانگین مجذور خطاها (RMSE) مورد ارزیابی قرار می گیرد.
ملخص الجهاز:
"دریس و توماکس این مبحث را در جهت رسیدن به وار ساختاریافته 1 مورد بررسی قرار دادند (Dhrymes and Thomakos, 1998) اثر تغییرات ساختار مدل بر روی پیشبینیهای وار توسط هافر و شیهان نشان داده شد (Hafer and Sheehan, 1989) و همچنین در ادامه ویرینگا و هورواس نیز مقالاتی را به چاپ رسانیدند (Wieringa and Horvath, 2005).
: = −1 + −1 =0 فرمول (6) 3-6 نحوه ارزیابی مدل مدل با استفاده از معیار ریشه متوسط مربعات خطاها (RMSE) مورد ارزیابی قرار خواهد گرفت (سوری،1391:ص259): = =+1 + − 2 فرمول (7) 3-7 تعریف متغیرهای مدل متغیرهای مسئله جهت مدلسازی غیرخطی در جدول بعد معرفی و تعریف شدهاند: جدول 1: معرفی متغیرهای مدل متغیر شرح s شاخص استان t شاخص زمان (مقطع زمانی یا همان ماه) n نشانگر سناریو p مرتبه معادله خودرگرسیو q مرتبه معادله میانگین متحرک MS(s,t) سهم بازار TR(s) مقدار روند AR(s,t) مقدار خودرگرسیو MA(s,t) مقدار میانگین متحرک C(s) جزء ثابت سری زمانی e(s,t) مقدار جزء باقیمانده برای مقادیر درون نمونه (اختلاف بین مقدار واقعی و مقدار پیشبینی) MSF (s,t) مقدار سهم بازار پیشبینی شده برای مقاطع درون نمونه MSX (s,t) مقدار سهم بازار پیشبینی شده برای مقاطع برون نمونه MSE مربعات اجزاء باقیمانده RMSE مجذور مربعات اجزاء باقیمانده AVE(t) میانگین سهم بازار استانها در زمان (مقطع زمانی یا همان ماه) VAR(t) واریانس سهم بازار استانها در زمان (مقطع زمانی یا همان ماه) 8-3 فرموله کردن مدل مدلسازی اتوماتیک آریما تک متغیره نشان داده که پیشبینیهای با یک گام رو به جلو به دقت مدلسازیهای ترکیبی میباشد (Hill& Fildes, 1984; Libert, 1984; Poulos et al, 1987; Texter & Ord, 1989)."