پیش بینی واردات برنج با روش های ARIMA و هالت وینترز - دانلود رایگان
دانلود رایگان تاکنون پژوهشهای زیادی درباره روشهای پیشبینی متغیرهای اقتصادی صورت گرفته است
دانلود رایگان
| پیش بینی واردات برنج با روش های ARIMA و هالت وینترز
فصل اول (کلیات یاطرح پژوهش) فصل دوم (مبانی نظری وپیشینه پژوهش) فصل سوم (روش شناسی پژوهش) فصل چهارم (یافته های پژوهش) فصل پنجم (نتیجه گیری وپیشنهادها) فهرست جدولها فهرست نمودارها فهرست شکل ها چکیده مقدمه 1-1 مقدمه 1-2 بيان مساله (تعريف موضوع پژوهش) 1-3 اهميت و ضرورت موضوع پژوهش 1-4 هدفهای پژوهش 1-5 سوالات پژوهش 1-6 فرضیههای پژوهش 1-7 کاربردهاي متصور از تحقيق 1-8 قلمرو مکانی پژوهش 1-9 قلمرو زمانی پژوهش 1-10 قلمرو موضوعی پژوهش 1-11 شرح واژهها و اصطلاحات بهکار رفته در پژوهش پیشبینی[6]: پیشگویی شرایط و حوادث آینده پیشبینی نامیده میشود و چگونگی انجام این عمل پیشبینی کردن نامیده میشود. ARIMA[7]): الگوی خود رگرسیون میانگین متحرک که یکی از روشهای پیش بینی کمی رگرسیونی است. هالت وینترز غیر فصلی: یکی از روشهای پیش بینی کمی غیر رگرسیونی که برای پیشبینی بوسلیه سری زمانی بکار میرود و در آن تغییرات فصلی جهت پیشبینی خنثی میشود. برنج: برنج گياهي است يکساله است و در مناطق گرم و مرطوب و پرآب مي رويد. ساقه آن راست و برگهاي آن بزرگ و نوک تيز است. هر سنبلک برنج داراي دنباله کوتاه و يک گل دارد. ميوه آن به شکل خوشه اي متشکل از سنبلکها در انتهاي ساقه قرار دارد و يک دانه برنج در آن است شلتوک مي نامند. 2-1 مقدمه 2-2 پیش بینی واردات برنج 2-3 مدل سازی اقتصادسنجی 2-4 خصوصیات یک مدل خوب 2) قابلیت تشخیص[12] 3) خوبی بر ارزش[13] سازگاری با تئوری: ممکن است یک مدل علی رغم داشتن بالا، به علت اشتباه بودن علائم یک یا چند ضریب آن، مدل خوبی نباشد. آنگاه بایستی نتایج را با تردید تعبیر کرد. قدرت تعمیم دهی و پیشگیری 2-5 اشکال تبعی مدل های رگرسیونی مدل های با کشش ثابت (لگاریتم – خطی[14])یا لگاریتم – لگاریتمی[15] (لگاریتم از دو سو[16]) i = α + β2Ln Xi + Ui 1α = Ln β است. مدل های نیمه لگاریتمی[17] (Log-Lin و Lin-Log) 2α، تغییر نسبی یا متناسب ثابت در Y را به ازاء تغییر شکل مطلق در X اندازه می گیرد. i = α1 + β2 Xi + Ui 2β، تغییر مطلق در Y را به ازاء یک تغییر نسبی در X اندازه می گیرد. i = β1 + β2 Ln Xi + Ui 3) مدل های معکوس 1β و 2β خطی است و بنابراین یک مدل رگرسیون خطی است. مدل معکوس بهصورت رابطه (2-4) نشان داده میشود. i = β1 + β2 (1/Xi) + Ui i/1) 2β بهطرف صفر میل می کند بهطوریکه 2β ثابت است و Y به طور مجانبی یا حدی به مقدار 1β گرایش می یابد. 2-6 ماهیت تحلیل رگرسیونی 2-7 ماهیت داده ها برای تحلیل رگرسیونی داده های سری های زمانی: مقادیر یک یا چند متغیر که در طی یک دوره زمانی گردآوری می شوند ماننده داده های تولید ناخالص ملی (GNP)، اشتغال، بیکاری، عرضه ی پول و غیره که با نماد t نشان می دهند. چنین داده هایی می توانند در فواصل منظم زمانی مانند روزانه، هفتگی، ماهانه، فصل و سالانه گردآوری شوند. همچنین می توانند کمی (قیمت، درآمد و عرضه ی پول) یا کیفی (مرد و زن، شاغل و غیر شاغل، متأهل و مجرد، سفید و سیاه) باشند. داده های مقطعی: مقادیر یک یا چند متغیر برای چند واحد (خانواده، بنگاه، ایالت) و یا مقادیر یک یا چند متغیر برای مورد نمونه ای (جمع آوری داده های نرخ تورم) در یک زمان مشخص (یکسان) را گویند که با نماد i نشان می دهند. مانند سرشماری پنج ساله جمعیت توسط مرکز آمار و غیره. داده های مرکب یا تابلویی: عناصر هر دو دسته داده های مقطعی و سری های زمانی وجود دارد و در واقع این داده ترکیبی از داده های سری زمانی و مقطعی است که دارای ابعاد فضایی (مکانی) و زمانی است که با نماد ti نشان می دهند. 2-8 روششناسی رگرسیونی 2-9 اقتصادسنجی سریهای زمانی[24] دریافت فایل جهت کپی مطلب از ctrl+A استفاده نمایید نماید |