ارزش افزوده بخش کشاورزی و فرآیند میانگین متحرک

همانطوری که از شکل 1 مشاهده می شود، دو روش کلی برای پیش بینی انواع رویدادها و وقایع وجود دارد . روشهای کیفی در مقایسه با روشهای کمی کاربردی تر بوده و به داده های کارشناسی نیاز دارد.
همچنین خروجی روش کیفی ذهنی می باشد. این روش یک روش بسیار انعطاف پذیر بوده و در موقعیتهای درحال تغییر یا در زمانی که داده های مورد نیاز وجود ندارد، روش مناسبی می باشد. نتایج آن را میتوان با بازخورها بهبود داد. از طرف دیگر، در روش کمی، کیفیت داده های مورد استفاده و ویژگی مدل، تعیین کننده کیفیت پیش بینی خواهد بود. این در حالی است که چارچ وکارم (1996) طی تحقیقی بر روی مصرف جمعی در ایالات متحده به این نتیجه رسیدند که شبکه های عصبی (روشهای مبتنی برمدل) برای پیش بینی متغیرهای اقتصاد کلان، نتایج دقیقتری از مدلهای خطی سری زمانی ارائه نمی کنند. همچنین سوانسون و وایت (1997) به این نتیجه رسیدند که مدلهای خطی چند متغیره در مجموع اندکی بهتر از مدلهای غیرخطی هستند. اما شاید بزرگترین پژوهش برای مقایسه روشهای مبتنی برمدل و روشهای سری زمانی مربوط به مطالعه استاک و واتسون (1998) است که بیان می دارد شبکه های عصب (به عنوان یکی ازروشهای مبتنی برمدل) نسبت به دیگر روشهای رقیب خطی نتایج ضعیفتری دارند. لازم به ذکر است که در این میان الگوهای سری زمانی اغلب برای پیش بینی های کوتاه مدت مورد استفاده قرار میگیرند و سعی میکنند رفتار یک متغیر را بر اساس مقادیر گذشته آن متغیر(و احتمالا مقادیر گذشته سایر متغیرهایی که تمایل به پیش بینی آنها داریم) توضیح دهند. (رضایی،1388)
در این بین الگوهایی که تنها مقادیر قطعی یک متغیر را به مقادیر گذشته آن متغیر و مقادیر خطاهای حال و گذشته ارتباط می دهند، الگوی سری زمانی تک متغیره نامیده می شوند. مدلهای خطی سری زمانی را به 4 گروه عمده می توان تقسیم بندی کرد:(رضایی،1388)
مدل AR (الگوی خودتوضیح)
مدل MA (الگوی میانگین متحرک)
مدل ARMA (الگوی خودتوضیح میانگین متحرک)
مدل ARIMA (الگوی خود توضیح جمعی میانگین متحرک)
فرآیند خود توضیح، یک الگوی سری زمانی تک متغیره است که رفتار یک متغیر را براساس مقادیر گذشته خود آن متغیر توضیح می دهد. این فرآیند را می توان به صورت زیر نمایش داد:
وقتی Ytتابعی از وقفه های جملات اخلال ناهمبسته نوشته می شود، تشکیل یک فرآیند میانگین متحرک را می دهد. یک فرآیند میانگین متحرک از مرتبه q به صورت زیر تعریف می شود:
به طور کلی، فرآیند خود توضیح میانگین متحرک (ARMA) انعطاف پذیرترین نوع الگوهای سری زمانی تک متغیره است که در واقع ترکیبی از فرآیندهای خود توضیح و میانگین متحرک می باشد. شکل عمومی آن به صورت زیر نوشته می شود:
رابطه بالا به صورت ARMA(p,q) نمایش داده می شود. چنانچه سری زمانی اولیه در قالب الگوی ARMA(p,q) برای پایا شدن نیاز به d بار تفاضل گیری داشته باشد، آنگاه سری مزبور از یک فرآیند خود توضیح جمعی میانگین متحرک از مرتبه d برخوردار خواهد بود که به صورت ARIMA(p,d,q) نوشته می شود. لذا، مثلا برای متغیر درآمدهای مالیاتی برون یابی یک روند خطی ثابت وصول مالیات روش ساده ای برای پیش بینی نامقید درآمدهای مالیاتی حاصل از یک پایه مالیاتی خاص می باشد. اگرچه باکس – جنکینز نیز نسبت به تحلیل روند ساده به سری داده های زیادی نیاز دارد و از نظر اجرا سخت می باشد، با این حال از فرآیندهای مختلفی از جمله فرآیند خود توضیح جمعی میانگین متحرک برای این امر استفاده می شود.
3 – 9 – آزمون عدم خود همبستگی باقیمانده ها
از دیگر فروض کلاسیک، صفر بودن میانگین پسماندهای معادله می باشد. فرض دیگر کلاسیک در مورد مدلهای ols عدم وجود خودهبستگی سریالی بین پسماندها می باشد. چنانچه آماره دوربین- واتسون نزدیک به 2 باشد فرضیه عدم وجود خود همبستگی تائید می گردد(برگرفته از کتاب اقتصادسنجی مقدماتی ،ترجمه ابریشمی) ولی چنانچه آماره دوربین واتسون از عدد 2 خیلی کوچکتر یا بزرگتر باشد وجود خود همبستگی بین پسماندها را تائید می کند.
در این پژوهش از این آزمون برای تشخیص وجود و یا عدم وجود خود همبستگی استفاده شده که بر اساس روش تکراری باکس- جنکینز برای تعیین p , q درالگوی ARIMA می توان از تابع خودهمبستگی (ACF) و و تابع خود همبستگی جزیی (PACF) نمونه سری زمانی استفاده نمود. از آنجا که سریهای موجود در تحقیق دارای روند میباشند، لذا ابتدا باید روندزدایی شوند. در این صورت، توابع خودهمبستگی و خودهمبستگی جزیی پسماندهای هریک از الگوها روندزدایی شده و استفاده از آزمون همبسته نگار مدلهای آزمایشی برای هرپنج متغیر مورد بررسی، راهنمایی برای تعیین رتبه بهینه الگوی ARIMA خواهدبود.
فصل چهارم
تجزیه و تحلیل داده ها

  پایان نامه ارشد درباره دادگاه ویژه سیرالئون و حقوق بین الملل کیفری

4– 1 – مقدمه
در این فصل، اطلاعات مربوط به دوره زمانی 1381 تا 1390 مورد تجزیه و تحلیل قرار گرفته است تا ارتباط بین متغیرهای آزمون فرضیه پژوهش بررسی شود. داده های جمع آوری شده با استفاده از نرم افزار Excel محاسبه و با نرم افزار Eviews 8 مورد تجزیه و تحلیل قرار گرفته اند.
4 –2 – توصیف داده ها
Tt= میزان درآمد مالیاتی استان
DI= ارزش افزوده بخش صنعت و معدن استان
Ds= ارزش افزوده بخش خدمات استان
Gi= ارزش افزوده بخش کشاورزی استان

این نوشته در علمی ارسال شده است. افزودن پیوند یکتا به علاقه‌مندی‌ها.