چکیده:
پیشبینی براساس مدلهای چندمتغیری اقتصادسنجی با محدودیتهایی زیادی همراه است، بنابراین یک روش جایگزین استفاده از مدلهای تک متغیری است. اما اکثر روشهای تکمتغیری برای حصول به نتیجه خوب نیاز به دادههای زیادی دارند. روشهای رگرسیون فازی بهدلیل فازی در نظر گرفتن اعــداد، برای مدلسازی و پیشبینی معمولا نیاز به دادههای کمتری دارند. از اینرو در این مطالعه کارایی روش رگرسیون خودبازگشتی میانگین متحرک انباشته فازی (FARIMA) که ترکیبی از روش خودبازگشتی میانگین متحرک انباشته (ARIMA) و رگرسیون فـازی است با روشهای ARIMA و شبــکه عصبی فازی (ANFIS) در پیشبینی رشد اقتصادی ایران مقایسه میشود. برای تخمین مدل از دادههای دورهی 1338 تا 1380 استفاده شده است. سپس کارایی این مدلها در پیشبینی رشد اقتصادی ایران برای دروه 1381 تا 1388 با استفاده از معیارهای RMSE، MAE، MAPE و TIC ارزیابی و مقایسه شده است. مقایسه این معیارها حاکی از این است که بهترین عملکرد متعلق به روش FARIMA است. همچنین مدل ANFIS عملکرد بهتری نسبت به مدل ARIMA دارد.
Since multivariate econometric forecasting encounters with much restriction، using univariate models seems to be a proper alternative approach. But most of these methods require large amounts of data to achieve a good result. Fuzzy regression approach which uses the fuzzy numbers for modeling and prediction needs less data compare to nonfuzzy approaches. In this study، fuzzy autoregressive integrated moving average (FARIMA)، which combines autoregressive integrated moving average (ARIMA) with fuzzy regression has been used. The forecasting performance of this model has been compared with prediction performance of ARIMA and adaptive neural-fuzzy inference system (ANFIS) methods to forecast economic growth in Iran during the period 1960 to 2002. The forecasting performances of these models have then been compared to forecast economic growth for the period 2003 to 2010 using the criteria of RMSE، MAE، MAPE and TIC. The results of the study showed that FARIMA model has the best performance، and ANFIS method suggests better forecasting that ARIMA.
خلاصه ماشینی:
از آنجا که یکی از مشکلات محققان در ایران عدم دسترسی به آمارهای کافی مخصوصا آمارهای متغیرهای کلان اقتصادی است در این مطالعه روش رگرسیون خود بازگشت میانگین متحرک انباشته فازی (FARIMA) که در ادبیات اقتصادی کمتر مورد استفاده قرار گرفته است معرفی، سپس عملکرد آن در پیشبینی ایستای رشد اقتصادی ایران با روشهای خود بازگشت میانگین متحرک انباشته (ARIMA) و شبکه عصبی فازی (ANFIS) مقایسه میشود.
Zhang Sugeno Tanaka شکل 2: ساختار ANFIS با دو ورودی/ * منبع: (تاناکا، 1998) لایه اول، گرههای ورودی: هر گره از این لایه، مقادیر عضویتی که به هر یک از مجموعههای فازی مناسب تعلق دارند، با استفاده از تابع عضویت تولید میکنند.
با توجه به این که اولین اصل در کار با دادههای سری زمانی ارزیابی مانایی سری زمانی است در ادامه مانایی رشد اقتصادی ایران را با استفاده از آزمونهای دیکی فولر تعمیمیافته (ADF) و فلیپس- پرون (PP) مورد بررسی قرار گرفته است که نتایج آن در جدول (1) نشان داده شده است.
جدول 6: مقایسه عملکرد روشهای مختلف در پیشبینی رشد اقتصادی ایران معیار ARIMA FARIMA ANFIS MAE 0162/0 0085/0 0139/0 RMSE 0201/0 0105/0 0167/0 MAPE 6433/55 5808/22 0352/51 TIC 1601/0 0836/0 1315/0 منبع: یافتههای تحقیق مقایسه این معیارها حاکی از این است که بهترین عملکرد متعلق به مدل FARIMA است.
از آنجا که پیشبینی براساس مدلهای چند متغیر اقتصادسنجی با محدودیتهایی زیادی همراه است، هدف اصلی این مطالعه شناسایی روش مناسب برای پیشبینی رشد اقتصادی ایران از طریق رویکرد تک متغیری با استفاده از روشهای FARIMA، ARIMA و ANFIS طی دورهی 1388-1381 است.