مبانی نظری و پیشینه تحقیق پيش بيني و مدل هاي پيش بيني در 43 صفحه و آماده ویرایش

پيش ­بيني و مدل­هاي پيش ­بيني

تعريف پيش ­بيني

در يک تعريف کلي، فرايند پيشگويي شرايط و حوادث آينده را پيش­بيني ناميده و چکونگي انجام اين عمل را پيش­بيني کردن ناميده مي­شود (بوکوتا، 2002).

هر سازماني جهت تصميم­گيري آگاهانه بايد قادر به پيش­بيني کردن باشد. از آنجايي که پيش­بيني وقايع آينده در فرآيند تصميم­گيري در سازمان نقش عمده اي را ايفا مي کند، پيش­بيني کردن براي بسياري از سازمانها و نهادها حائز اهميت بالقوه­اي است. بنابراين بيشتر تصميمات مديريت در تمام سطوح سازمان به طور مستقيم و يا غير مستقيم به حالتي از پيش­بيني آينده بستگي دارد.

در مديريت استراتژيک، پيش­بيني شرايط عمومي اقتصاد، نوسانات قيمت و هزينه­ي تغييرات تکنولوژي، رشد بازار و امثال آن در ترسيم آينده بلند­مدت شرکت موثر است. به همين دليل است که کنترل هر فرايند، منوط به پيش­بيني رفتار دوره فرآيند در آينده است. براي مثال ممکن است که در يک دوره فرآيند دستگاهي بيش از حد معين کار کند و تعداد اقلام معيوب توليد شده افزايش يابد. بنابراين براي شناسايي به موقع اين نقص بايد از روش هاي مناسب پيش­بيني استفاده نموده و نسبت به تصحيح و يا حذف آن با توجه به شرايط موجود اقدام نمود (ريفنس، 1997).

مدل ­هاي پيش ­بيني

ابزارهاي عيني و رياضي که براي پردازش و تجزيه و تحليل داده­ها مورد استفاده قرار مي­گيرند مدل­هاي پيش­بيني ناميده مي­شوند. به عبارت ديگر، الگويي از يک واقعيت که ساده و کوچک شده و روابط بين متغيرهاي آن واقعيت يا سيستم را نشان مي­د­هد، مدل خوانده مي­شود. بنابراين، هنگامي که متغيرهاي مورد نظر به صورتي منظم، ساده و قابل فهم در جهت اهداف پيش­بيني در کنار يکديگر قرار گرفتند و الگويي از روابط را بوجود آوردند، يک مدل پيش­بيني شکل مي­گيرد.

سري ­هاي زماني^[1]

به روند مقادير يک متغير در طول زمان که به صورت دوره­هاي زماني با فواصل معين و يکسان تنظيم شده­اند سري زماني گفته مي­شود. در تحليل سري زماني وضعيت تغييرات يک متغير در گذشته مورد بررسي قرارگرفته و به آينده تعميم داده مي­شود. به طور کلي مدل­هايي که در تحليل سري­هاي زماني مورد استفاده قرار مي­ گيرند به دو دسته مدل­هاي خطي و غير­خطي تقسيم مي­شوند.

مدل­هاي خطي مانند مدل­هاي باکس ـ جنکينز^[2] و يکنواخت سازي نمايي براي سري­هاي زماني خطي مناسب هستند، ولي در مدل­سازي سري­هاي زماني مالي و غير­ خطي با مشکل مواجه مي­شوند.

مدل­هاي غير­خطي از قبيل مدل­هاي غير­کاهنده آستانه­اي، يک تابع غير­خطي خاص و از پيش تعيين شده را پيش­بيني مي­کنند. به عبارتي تابع خطي مورد استفاده در اين روش­ها مشخص است. نوع ديگر مدل­هاي غير خطي شبکه­هاي عصبي مصنوعي هستند که مي توانند هر تابعي را تخمين بزنند و فرايندهاي با رفتار ناشناخته را مدل نمايند.

سري­هاي زماني بدنبال مقادير يک صفت متغير در طول زمان هستند. مشاهدات عموما بايد در تاريخ­هاي معين يعني در فواصل زماني تقريبا ثابت به عمل آيند. مقادير يک صفت متغير ممکن است مربوط به يک لحظه زماني و يا مربوط به يک فاصله يا دوره زماني باشد. که در حالت اول سري زماني را لحظه­اي و در حالت دوم سري زماني را دوره­اي و يا فاصله­اي مي­نامند. قيمت سهام شرکت­ها در آخرين روز ماه و ماه­هاي متوالي و همچنين تعداد بهره برداري­هاي کشاورزي در سال­هاي متوالي از نوع سري­هاي زماني لحظه­اي است و حجم بازرگاني خارجي در سال­هاي متوالي و تعداد نامه­هاي پست شده در ماه­هاي متوالي و يا سال­هاي متوالي از نوع سري­هاي زماني دوره­اي يا فاصله­اي مي باشند.

مطالعه سري­هاي زماني در اکثر رشته­ها مانند جامعه شناسي، بازرگاني، زيست­شناسي، زمين­شناسي و به خصوص زمينه مسائل اقتصادي پيشرفت فراوان داشته و از نظر آمارشناسان اقتصادي نه تنها تشريح وضع فعلي درباره مسائل اقتصادي، ضروري است، بلکه پيش­بيني وضع براي آينده نزديک و دور نيز ضروري است. بديهي است هيچ پيش­بيني بدون اطلاع از گذشته نمي­تواند به عمل آيد و تهيه سري­هاي زماني به منظور تامين اطلاع و آشنايي نسبت به گذشته است.

مدل باکس ـ جنکينز^[3]

مدل باکس ـ جنکينز يا آريما^[4] عبارتست از برازاندن يک الگوي ميانگين متحرک^[5] تلفيق شده با خود­رگرسيو^[6] به مجموعه داده­ها و بدست آوردن الگوي رياضي شرطي در يک سري زماني است. يک مدل آريما سه جزء دارد (خالوزاده، 1999).

1- خود رگرسيو

2- ميانگين يکپارچه^[7]

3- ميانگين متحرک

بحث­­هاي کلي مدل

انواع مدل­هاي باکس ـ جنکينز به صورت زير بيان مي شوند:

الف- مدل اتورگرسيوAR(p)

اين روش مشاهدات را به صورت تابعي از مشاهدات قبلي بيان مي­کند. در اين مدل

(2-1)

ها مستقلند و در آن پارامترهايي هستند که بستگي به هر يک از p مقدار قبل در سري را معلوم مي­کنند.

ب) مدل ميانگين متحرکMA(Q)

اين روش مشاهدات را به صورت تابعي از اختلالات تصادفي در دوره­ي فعلي t و در دوره­هاي قبلي بيان مي­کند. در اين مدل

(2-2)

(2-3)

ها مستقل هستند و اختلالات تصادفي را در دوره­هاي (t, t-1,…., t-q) بيان مي­کند و ميانگين متحرک اختلال جاري و اختلال­هاي قبلي است که اختلال­هاي قبلي داراي وزن­هاي هستند. عدد q را مرتبه­ي مدل ميانگين متحرک مي­گويند و جمع وزن هاي لزوماً برابر 1نيست.

ج) مدل ARMA(p,q)

رابطه کلي با توجه به موارد بحث شده به صورت زير است که براي سري­هاي ايستا به کار مي­رود.

د) مدل آريما(p,d,q)

اين مدل مدل عمومي باکس ـ جنکينز است و تمام گروه­­هاي ذکر شده را در بر مي­گيرد. در اين مدل p مرتبه اتوگرسيو مدل و q مرتبه ميانگين متحرک مدل و d مرتبه تفاضلي مدل (جهت ايستا کردن مدل) است. يعني آن چه که اين مدل را کامل­تر از مدل قبل مي­نمايد تبديل مناسب جهت پايا بودن مدل است.

که در آن ،، ، p,، q، d، ، به ترتيب مقادير آني متغير، نويز سفيد در زمان t، چند جمله­اي اتورگرسيو، مرتبه ميانگين متحرک، درجه تفاضل­گيري و پارامتر­هاي مدل اتورگرسيو و ميانگين متحرک مي­باشند.

ه) شرايط پاياپذيري[8] سري­هاي زماني پيش­بيني از طريق مدل باکس ـ جنکينز

بايد دقت کنيم که مدل زماني در توصف پيش­بيني سري زماني به کار مي­رود که پايا باشد. منظور از سري زماني پايا (ايستا) اين است که مشخصه­هاي آماري آن (مثل ميانگين و واريانس) در طي زمان ثابت باشند. اگر مقادير يک سري زماني با اختلاف ثابتي حول ميانگين نوسان داشته باشد در اين صورت سري زماني مورد نظر ايستا است که با مشاهده نمودار داده­ها مي­توان نتيجه گرفت که ايا سري مورد نظر ايستا است يا خير. اگر نمودار داده­هاي بيانگر پايا نبودن مقادير باشد، در اين صورت مي­توان با گرفتن تفاضلات اوليه، مقادير را به يک سري زماني پايا تبديل کنيم.

تفاضلات اوليه مقادير عبارتند از

(2-8)

با توجه به اينکهt=2,…..nباشد.

اگر تفاضلات اوليه خود نيز پايا نباشند در اين صورت از روش­هاي ديگر مثل گرفتن تفاضلات ثانويه استفاده مي­شود.

(2-9)

شبکه ­هاي عصبي مصنوعي

شبکه­هاي عصبي مصنوعي پديده­اي جديد هستند که در بسياري از علوم و مهندسي استفاده مي­شود. ساختار اين شبکه­ ها به صورتي است که از عملکرد سيستم اعصاب انسان تقليد مي­کند و مشابه نرون­هاي عصبي انسان، داده­ها را دريافت، پردازش و منتقل مي­کند. روش­هاي يادگيري و آموزشي که براي شبکه­هاي عصبي مصنوعي بکار مي­رود بر اساس سيستم يادگيري و اعصاب انسان است و در واقع کاملترين الگو براي ابداع روش­هاي يادگيري انسان است. شبکه ­هاي عصبي مصنوعي براي اولين بار در سال 1965 ميلادي توسط محققين علوم طبيعي معرفي گرديد. در مدل بيولوژيکي که توسط آنها ارايه شد در هر نرون محاسبات رياضي انجام مي­ شود و در حين آموزش شبکه، مقادير وزن­هاي ارتباطي يا پارامترهاي محاسباتي تغيير مي­کنند بصورتي که نهايتا شبکه عصبي بتواند عمل مورد نظر را بطور صحيح انجام دهد.

جزئیات:
توضیحات: فصل دوم پژوهش کارشناسی ارشد و دکترا (پیشینه و مبانی نظری پژوهش)
همرا با منبع نویسی درون متنی به شیوه APA جهت استفاده فصل دو پایان نامه
توضیحات نظری کامل در مورد متغیر
پیشینه داخلی و خارجی در مورد متغیر مربوطه و متغیرهای مشابه
رفرنس نویسی و پاورقی دقیق و مناسب
منبع : انگلیسی و فارسی دارد (به شیوه APA)