مقایسه عملکرد مدل های خطی وغیرخطی در توضیح سیستم تقاضای تقریبا ایده آل
Publish place: Quarterly Journal Of Econimic Modeling، Vol: 7، Issue: 22
Publish Year: 1392
Type: Journal paper
Language: Persian
View: 158
This Paper With 17 Page And PDF Format Ready To Download
- Certificate
- I'm the author of the paper
این Paper در بخشهای موضوعی زیر دسته بندی شده است:
Export:
Document National Code:
JR_ECOI-7-22_005
Index date: 31 December 2023
مقایسه عملکرد مدل های خطی وغیرخطی در توضیح سیستم تقاضای تقریبا ایده آل abstract
در اکثر مطالعات تجربی انجام شده با استفاده از سیستم معادلات تقاضای تقریبا ایده آل، کشش های قیمتی و درآمدی حاصل از برآورد این معادلات به توصیه های سیاستی حساسی در حوزه اقتصاد خرد و کلان منجر شده است. این درحالی است که برآورد خطی سیستم یاد شده مورد شک و تردید می باشد. دراین مقاله به بررسی عملکرد سیستم معادلات تقاضای تقریبا ایده آل خطی و غیرخطی پرداخته شده است. به این منظور با استفاده از تکنیک رگرسیون های به ظاهر نامرتبط برای تخمین مدل به روش خطی و از شبکه عصبی پیشخور چند لایه برای تخمین مدل غیرخطی بهره گرفته شده است. نتایج حاصل از برآورد مدل ها مبین این واقعیت می باشند که مدل شبکه عصبی پیشخور دارای خطای کم تر و در نتیجه از عملکرد بالاتری در برآورد سیستم معادلات تقاضا برخوردار می باشد. نتایج مبین وجود تردیدهایی برای کاربرد شاخص قیمت استون جهت خطی کردن برآورد سیستم تقاضای تقریبا ایده آل می باشد. بنابراین برای برآورد معادلات سیستمی، استفاده از مدل غیرخطی تقریبا ایده آل با استفاده از شبکه عصبی مصنوعی توصیه می شود.
مقایسه عملکرد مدل های خطی وغیرخطی در توضیح سیستم تقاضای تقریبا ایده آل Keywords:
سیستم تقاضای تقریبا ایده آل , شبکه عصبی پیشخور چند لایه , رگرسیون به ظاهر نامرتبط
مقایسه عملکرد مدل های خطی وغیرخطی در توضیح سیستم تقاضای تقریبا ایده آل authors
محمد رضایی پور
عضو هیات علمی موسسه مطالعات و پژوهشهای بازرگانی
مهدی ذوالفقاری
دانشجوی دکتری اقتصاد دانشگاه تربیت مدرس
مجتبی یوسفی دیندارلو
پژوهشگر دفتر مطالعات اقتصادی وزارت بازرگانی
ابوالفضل نجارزاده
دانشجوی دکتری اقتصاد دانشگاه مفید
مراجع و منابع این Paper:
لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :