مقایسه کارایی مدل های کلاسیک و شبکه های پویا در کاربردی از مدل های خودتوضیح شبکه ای تعمیم یافته (مقاله علمی وزارت علوم)
درجه علمی: نشریه علمی (وزارت علوم)
آرشیو
چکیده
یکی از مهم ترین مشکلات در پیش بینی پدیده های اقتصادی فقدان داده های کافی و یا وجود داده های مفقودی قابل توجه در سری های زمانی است. در مقاله حاضر با استفاده از روش جدید خودتوضیح شبکه ای تعمیم یافته، داده های سری زمانی مربوط به نرخ رشد تولید ناخالص داخلی مربوط به ۱۸ کشور حوزه خاورمیانه و شمال آفریقا از سال ۱۹۸۰ تا ۲۰۱۹ مدل سازی شد. در این مجموعه، 42/13 درصد از کل مشاهدات موجود نیست. در روش پیشنهادی، شبکه یا گراف تصادفی که راس ها یا گره های آن کشورها یا سری های زمانی مربوط به آن ها است در نظر گرفته شد. سپس مدل خودتوضیح هر گره براساس تمامی داده های گره های همسایگی چند مرحله آن ساخته شد. برخی پارامترهای مدل مدنظر می تواند به گره وابسته باشد (مدل محلی) یا برای تمامی گره های شبکه یکسان لحاظ شود (مدل سراسری). داده های مفقودی نیز توسط تغییر در وزن یال های شبکه روی گره ها مدل شد. در انتها، براساس مدل ساخته شده سری زمانی پیش بینی شد. از آنجا که ساختار شبکه بر مدل و در نهایت بر پیش بینی تاثیرگذار است و بررسی تمامی شبکه های ممکن دشوار است برای مدل سازی به روش پیشنهادی از 10 هزار شبکه تصادفی بدون جهت و ۱۶ مدل شامل 8 مدل محلی و 8 مدل سراسری روی هر شبکه در نظر گرفته شد. از بین 160 هزار مدل ساخته شده، مدلی که بتواند کمترین خطای پیش بینی را داشته باشد به عنوان بهترین شبکه انتخاب و از آن برای پیش بینی اصلی استفاده شد.کمترین میزان خطای پیش بینی یک گام درون نمونه ای، مربوط به شبکه محلی با ۶۴ یال و تعداد پارامترهای مدل متناظر با آن 4 به دست آمد. در نهایت، مدل مورد بررسی با مدل های کلاسیک همچون خودتوضیح و خودتوضیح برداری مورد مقایسه قرار گرفت که برتری مدل ارائه شده در کاهش خطای پیش بینی نسبت به دو مدل کلاسیک مذکور، قابل توجه است.Comparison of Classical and Dynamic Network Models Efficiency in the Application of Generalized Network Autoregressive Models
One of the most challenging issues in forecasting economic variables is the lack of sufficient data or the missing data in time series. In this paper, the time series of the GDP growth rate from 1980 to 2019 for 18 Middle East and North African countries is modeled via a generalized network autoregressive model. Of the total observations, 13.42% were missed. In the proposed model, a random network is applied to the data for which nodes represent countries or related time series. Then, an autoregressive model of each node was constructed based on all the data of its multi-stage neighboring nodes. Some parameters of the model may depend on the node (local model) or can be considered the same for all network nodes (global model). The missing data are modeled by changing the weights of the network edges. Finally, the time series was predicted based on the constructed model. Because the network structure affects the model and ultimately the forecast, and on the other hand it is difficult to examine all possible networks, ten thousand un-directional random networks and 16 models including 8 local models and 8 global models on each network are considered. Out of 160,000 models, the network and the model with the least prediction error are selected as the best network and model that are used for the main prediction. The lowest in-sample predictive error was obtained at a local network, which has 64 edges and the number of corresponding model parameters is 4. Finally, the model is compared with the classical models such as AR and VAR. The results indicate the superiority of the proposed method in significantly reducing the prediction error over the AR and VAR models.
تبلیغات
