ارزیابی و مقایسه عملکرد مدل رگرسیون خودبازگشتی میانگین متحرک انباشته فازی و شبکه عصبی فازی در پیش¬بینی رشد اقتصادی ایران

نوع مقاله: علمی - پژوهشی

نویسندگان

1 استاد اقتصاد دانشگاه شهید چمران اهواز

2 استادیار اقتصاد دانشگاه شهید چمران اهواز

3 دانشجوی دکتری اقتصاد دانشگاه تبریز

4 دانش آموخته کارشناسی ارشد اقتصاد دانشگاه شهید چمران اهواز

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 معمولاً 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.

کلیدواژه‌ها


عنوان مقاله [English]

Comparison of performance of fuzzy autoregressive integrated moving average and fuzzy neural network to forecast economic growth in Iran

نویسندگان [English]

  • MANSOOR ZERANEZHAD 1
  • MASOUD KHODAPANAH 2
  • POYAN KIYANI 3
  • SALAH EBRAHIMI 4
چکیده [English]

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.

کلیدواژه‌ها [English]

  • Forecasting
  • Economic growth
  • Anfis
  • ARIMA
  • FARIMA