مقايسه كارايي مدل‌هاي كلاسيك و شبكه‌هاي پويا در كاربردي از مدل‌هاي خودتوضيح شبكه‌اي تعميم‌يافته

يكي از مهم‌ترين مشكلات در پيش‌بيني پديده‌هاي اقتصادي فقدان داده‌هاي كافي و يا وجود داده‌هاي مفقودي قابل توجه در سري‌هاي زماني است. در مقاله حاضر با استفاده از روش جديد خودتوضيح شبكه‌اي تعميم‌يافته، داده‌هاي سري زماني مربوط به نرخ رشد توليد ناخالص داخلي مربوط به ۱۸ كشور حوزه خاورميانه و شمال آفريقا از سال ۱۹۸۰ تا ۲۰۱۹ مدل‌سازي شد. در اين مجموعه، 42/13 درصد از كل مشاهدات موجود نيست. در روش پيشنهادي، شبكه يا گراف تصادفي كه راس‌ها يا گره‌هاي آن كشورها يا سري‌هاي زماني مربوط به آن‌ها است در نظر گرفته شد. سپس مدل خودتوضيح هر گره براساس تمامي داده‌هاي گره‌هاي همسايگي چند مرحله‌ آن ساخته شد. برخي پارامترهاي مدل مدنظر مي‌تواند به گره وابسته باشد (مدل محلي) يا براي تمامي گره‌هاي شبكه يكسان لحاظ شود (مدل سراسري). داده‌هاي مفقودي نيز توسط تغيير در وزن يال‌هاي شبكه روي گره‌ها مدل شد. در انتها، براساس مدل ساخته شده سري زماني پيش‌بيني شد. از آنجا كه ساختار شبكه بر مدل و در نهايت بر پيش‌بيني تاثيرگذار است و بررسي تمامي شبكه‌هاي ممكن دشوار است براي مدل‌سازي به روش پيشنهادي از 10 هزار شبكه تصادفي بدون جهت و ۱۶ مدل شامل 8 مدل محلي و 8 مدل سراسري روي هر شبكه در نظر گرفته شد. از بين 160 هزار مدل ساخته شده، مدلي كه بتواند كمترين خطاي پيش‌بيني را داشته باشد به عنوان بهترين شبكه انتخاب و از آن براي پيش‌بيني اصلي استفاده شد.كمترين ميزان خطاي پيش‌بيني يك گام درون نمونه‌اي، مربوط به شبكه محلي با ۶۴ يال و تعداد پارامترهاي مدل متناظر با آن 4 به دست آمد. در نهايت، مدل مورد بررسي با مدل‌هاي كلاسيك همچون خودتوضيح و خودتوضيح برداري مورد مقايسه قرار گرفت كه برتري مدل ارائه شده در كاهش خطاي پيش‌بيني نسبت به دو مدل كلاسيك مذكور، قابل توجه است.