برای جستجو در بین هزاران پایان نامه در موضوعات مختلف     

      و دانلود متن کامل آنها با فرمت ورد اینجا کلیک کنید     

 
دانلود پایان نامه

در این مطالعه،از بین روشهای غیررگرسیونی روش هموارسازی نمایی و نیز از بین روشهای رگرسیونی، فرآیند ARMA و ARIMA مورد بررسی قرار میگیرد. از اینرو در مطالعه حاضر با بهرهگیری از دو روش ARMA یا ARIMA و هالت- وینترز، میزان واردات محصول مورد مطالعه طی 5 سال آینده پیشبینی و برآورد میشود.
3-6-1 روشهای هموارسازی هالت وینترز
هالت وینترز غیرفصلی
هالت وینترز جمعی
هالت وینترز ضربی
در روش هموارسازی نمایی از ساختار خود دادهها و نمودارهای کنونی آنها برای پیشبینی مقادیر آینده استفاده میشود و بر اساس شکل کلی تغییرات سریهای زمانی یا شکل حدسی آنها تخمینی صورت میگیرد، یا با تکرارمجموعهای از محاسبات مقادیر آینده پیشبینی میشوند در این روش که برای پیشبینیهای کوتاهمدت آینده بهکار میروند مدلی تهیه نمیشود و پیشبینیهای آینده با اعداد نزدیک بههم انجام میشود.
در این پژوهش از روش هموارسازی نمایی هالت وینترز غیرفصلی استفاده شده است در روش هالت از دو پارامتر در معادله استفاده شده است.
Ŷt+k = α + bk (1-3)
که a و b جزء مولفههای دایمی هستند. این دو ضریب با معادلههای (3-2) و (3-3) تعریف میشوند.
α(t) = α yt + (1-α)(α(t-1) + b(t-1)) (2-3)
b(t) = β(α(t) – α(t-1)) +1 –βb(t-1) (3-3)
که در آن 1>α، β و γ>0 و فا کتورهای تعدیلکننده هستند.
میزان ضرایب هم بهصورت تجربی و هم بهوسیله نرمافزار به حالت اتوماتیک قابل محاسبه است.
پیشبینیها با رابطه (3-4) محاسبه میشوند.

ŷt+k = α(t) + b(t)k (4-3)
این پیشبینیها در روند خطی با عرض از مبدا (T)a و شیب (T)b استفاده میشوند.
3-6-2 مدلهای ARMA و ARIMA:
برخلاف روش هموارسازی نمایی، در روش ARIMA یا مدل باکس جنکینز یک مدل برای سری زمانی تهیه میشود که رفتار متغیر یا دستهای از متغیرها را بر اساس رفتار گذشته آنها مدنظر قرار میدهد، این مدلها اساساً مدلهایی هستند که بر پایه تعداد مشخص و نسبتاً کمی متغیر بنا شده و در پیشبینی روند دادهها تأکید بر مبانی تئوریک را بهعنوان تقدم موضوعی نمیپذیرند. یک مدل ARIMA دارای سه جزءزیر است:
1) تعداد جملات خودرگرسیون یا تعداد وقفههای متغیر مورد بررسی(q).
2) مرتبه همانباشتگی یا درجه تفاضلگیری(d).
3) تعداد جملات میانگین متحرک یا تعداد وقفههای جمله اخلال(p).
مدل بهصورت ARIMA(p,d,q) نوشته میشود. نکته مهمی که باید در خصوص مدلسازی ARIMA گفته شود این است که یا باید سریهای زمانی ساکنی داشت و یا باید سریهای زمانی داشت که بعد از یک یا دوبار تفاضلگیری ساکن شوند تا بتوان آنها را مورد استفاده قرارداد. برای تعیین مرتبه هم انباشتگی ((d از آزمون ایستایی و آماره دیکی فولر یا دیکی فولر تعمیم یافته استفاده میشود، اگر مجموعه مورد مطالعه در سطح ایستا باشد، مقدار d برای متغیر تحت بررسی برابر با صفر در نظر گرفته میشود و بنابراین برای پیشبینی متغیر مورد نظر از رهیافت (p و(q ARMA استفاده میشود و اگرمتغیر مورد نظر در سطح ایستا نباشد و تفاضل مرتبه اول یا دوم متغیر ایستا باشد، از رهیافت ARIMA(p,d,q) استفاده میشود. در مطالعه حاضر برای تعیین مرتبه اتورگرسیون ((p و میانگین متحرک (q)، ابتدا مدلهایی با مرتبههای مختلفی از pوq تخمین و سپس با استفاده از آمارههای آکائیک و شوارتز- بیزین بهدست آمده، بهترین مرتبه (p و(q برحسب کوچکترین این معیارها انتخاب میشود. انتخاب وقفه از چالشزاترین مراحل پیشبینی الگوهای سری زمانی است، پسران و پسران (1997)، بهمنظور تعیین وقفه، استفاده از معیار آکائیک (AIC) را پیشنهاد دادند. بر این اساس آنها استفاده از حداکثر 3 وقفه را برای پیشبینی سالیانه مناسب دانستند. در این روش پس از تعیین مقدار d، تعداد جملات خودرگرسیو(q) و تعداد جملات میانگین متحرک(q) تعیین میشود. بدین صورت مرحله تخمین با مرحله شناسایی همزمان صورت گرفته و درجات مختلف p و q با هم مقایسه میشوند. در نهایت مدلی که دارای کمترین مقدار این آمارهها ( Eviews) باشد، بهمنزله بهترین مدل برای پیشبینی انتخاب میشود (پسران و پسران, 1997).
لازم به ذکر است در نرم افزار Eviews6 میتوان تعداد وقفه را بهصورت اتوماتیک محاسبه کرد.
پس از مرحله تشخیص یعنی تعیین p,d وq و مدلسازی سریزمانی موردنظر باید به تخمین پارامترهای مدل پرداخته شود، در این پژوهش برای برآورد مدل ARIMA از روش حداقل مربعات معمولی ( (OLSو نرم افزار Eviews استفاده میشود که این روش به همراه روش حداکثر راست نمایی(ML) برای برآورد انواع الگوهای ARIMA استفاده میشود و در نهایت پس از بررسی خوبی برازش مدل وتأیید مدل انتخابی به پیشبینی کوتاهمدت سریهای زمانی مورد بررسی پرداخته خواهد شد.

دسته بندی : علمی