دانلود پایان نامه ارشد با موضوع شبکه عصبی، رگرسیون خطی، مدل رگرسیون

دانلود پایان نامه ارشد

اشتغال
N
Mantis and Farmer(1968)
تورم
P
Neumann(1969) for in force، Lee and Whitaker (1971)، Beenstock et al(1986)

N
Neumann(1969) for premium، Diacon(1980)، Brown and Kim(1993)، Outreville(1996)، Ward and Zurbruegg (2002)، Mahdavi(2002،2005)
نرخ بهره
P
Fortun(1973)، Headen and Lee (1974)

I
Beenstock et al(1986)، Outreville(1996)
شرکت بیمه
P
Anderson and Nevin (1975)، Burnett and Palmer(1983)
تحصیلات همسر
N
Ferber and Lee (1980)،Gandolfi and Miners (1996)
امید به زندگی
P
Beenstock et al(1986)،Outreville(1996)،Ward and Zurbruegg (2002)

I
Browne and Kim (1993)،Hwang and Greenford (2002)
توسعه یافتگی مالی
P
Outreville(1996)،Ward and Zurbruegg (2002)
انجصار بازار
N
Outreville(1996)
شرکت خارجی
I
Outreville(1996)
مجرد بودن
N
Hammond et al (1968)،Berekson(1972)

D
Bernheim(1991)
تحصیلات
P
Hammond et al (1968)،Ferber and Lee (1980)،Burnett and Palmer(1984)،Truett and Truett(1990)،Browne and Kim (1993)،Gandolfi and Miners (1996)، Eisenhauer and Halek(1999)، Hwang and Greenford (2002)، Ward and Zurbruegg (2002)، Mahdavi (2002،2005)

N
Duker(1969)،Anderson and Nevin (1975)،Auerbach and Kotlikoff(1989)

I
Outreville(1996)، Chuma(1997)، Hau (2000)
قیمت
P
Mantis and Farmer(1968)

N
Browne and Kim (1993)،Eisenhauer and Halek(1999)

I
Diacon(1980)
بیکاری
P
Diacon(1980) for protection – based demand
تعداد فرزندان
N
Hammond et al (1968)
همسر شاغل
N
Duker(1969)، Goldsmith(1983)،Gandolfi and Miners (1996)

D
Ferber and Lee (1980)،Auerbach and Kotlikoff(1989)
P = رابطه ی مثبت با تقاضای بیمه عمر، N = رابطه منفی، I = رابطه معنی دار نبوده است.
D= نتیجه متفاوت به دلیل پردازش داده و یا روش رگرسیونی مورد استفاده.
* نرخ افراد زیر پوشش که شامل اعضای خانواده و فرزندان هم می‌شود.
** اگر ضرایب در برخی از مدل ها معنی دار نبود و در بعضی دیگر مثبت نبود، P ثبت شده است. این امر درباره ی N هم صادق می باشد(مهدوی و ماجد، 1390).
فراغت شبکه‌های عصبی مصنوعی از مفروضات آماری موجب شده است تا برخی از پژوهشگران حوزه اقتصاد آن را همانند یک جعبه سیاه تلقی کنند که اطلاعات قابل توجهی درباره کم و کیف انفعالات درونی آن و رابطه ی بین ورودی و خروجی سیستم را بدست نیاورند و در این مدل ها مانند معادلات رگرسیونی تو ان بررسی کشش و ضرایب اهمیت هر متغیر در مدل را نداشته باشند . در این راستا ،کان و وایت برای محل این مساله سعی کردند که رابطه ای میان تئوری های آماری و اقتصاد سنجی با شبکه‌های عصبی بیابند (Kuan، 1994).
مشیری و نورمن نیز به این نتیجه رسیدند که بدون استفاده از تئورهای اقتصادی نمی‌توان نتایج خوبی در پیش‌بینی بدست آورد. الگوهای شبکه‌های عصبی مصنوعی را می‌توان در قالب الگوهای غیر تئوریک جای داد ولی می‌توان متغیرهای ورودی را براساس پایه‌های تئوریک تعیین کرد(Moshiri & Norman، 2000).
پور کاظمی و اسدی در مقاله خود به منظور پیش‌بینی پویای قیمت نفت خام از دو روش غیر خطی شبکه عصبی و روش اقتصادسنجی سری‌های زمانی استفاده کردند. در این مقاله ابتدا با یک شبکه عصبی تک متغیره ،بدون وارد کردن متغیرهای دیگر و تنها با استفاده از وقفه های خود قیمت، پیش‌بینی انجام شد و سپس متغیر توضیحی دیگری به مدل‌ها اضافه کردند . نتایج تحقیق حاکی از عملکرد بهتر شبکه عصبی با دو متغیر ورودی بود که محققان دلیل آن را رفتار غیرخطی قیمت نفت عنوان کردند(اسدي و پورکاظمی ، 1388).
مشیری و قدیمی برای پیش‌بینی نرخ رشد اقتصادی ایران از دو مدل رگرسیون خطی و شبکه عصبی مصنوعی پرسپترون سه لایه با تابع فعال سازی لجستیک در لایه مخفی استفاده کردند. برای این منظور ابتدا با مطالعات تئوریک، رگرسورها را شناسایی کرده و یک مدل رگرسیون خطی برازش کردند و در ادامه همان رگرسورها به عنوان ورودی شبکه عصبی استفاده شدند. نتایج شبیه سازی ها حاکی از برتری مدل شبکه عصبی در معیارهای RMSE و MAE 12 و MAPE 13 و 14TIC و CR 15 بود(قديمي و مشیری ، 1381).
ابریشمی و همکاران با کاربست شبکه‌های عصبی 16GMDH ،17 MLFF (به عنوان مدل‌های غیر خطی) به پیش‌بینی GDP با لحاظ وقفه‌های نفت و GDP و همچنین با لحاظ وقفه‌های GDP به تنهایی، پرداختند و نتایج را با ARIMA (به عنوان مدل غیر خطی) مقایسه کردند. نتایج مطالعه آنها نشان داد که شبکه عصبی GMDH هم از نظر وقفه های GDP به تنهایی و هم از نظری وقفه های GDP و نفت نسبت به سایر مدل‌ها در مورد هر دو کشور آمریکا و انگلستان عملکرد بهتری داشت(ابریشمی و غنیمیفرد و احراری & رحیمی، 1389).
رضایی پور و همکاران در مقاله خود تحت عنوان مقایسه عملکرد مدل‌های خطی و غیرخطی در توضیح سیستم تقاضای تقریبا ایده‌آل به منظور بررسی عملکرد سیستم معادلات تقریبا ایده‌آل خطی و غیر خطی از تکنیک های رگرسیون و شبکه عصبی استفاده کردند. ایشان جهت تخمین معادله تقاضا از مبانی تئوریک مربوط به مدل AIDS استفاده کرده و متغیرهای توضیحی را تعیین کرده و با استفاده از اطلاعات موجود در پایگاه داده‌های مرکز ملی آمار ایران و اطلاعات مربوط به شاخص های قیمت موجود در بانک مرکزی برای گروه های مختلف کالاها و خدمات در هشت گروه کلی، مدل خود را برازش کرده و با روش آزمون و خطا شبکه عصبی خود را انتخاب کردند و در معیارهای ارزیابی عملکرد RMSE و MAE برای دو مدل رقیب مشاهده کردند که شبکه عصبی نسبت به روش رگرسیون خطی عملکرد بهتری در برآورد مدل 18 AIDS دارد(پور و ذوالفقاري و ديندارلو & نجارزاده، 1392).
اینس و ترافالیس برای پیش‌بینی نرخ ارز از یک مدل ترکیبی متشکل از روش‌های اقتصاد سنجی و شبکه عصبی استفاده کردند. به این ترتیب که ابتدا با استفاده از روش‌های اقتصادسنجی، خواص آماری داده ها و داده های مناسب برای پیش‌بینی را انتخاب کردند. بعد از انجام شبیه سازی توسط شبکه‌های عصبی SVR 19و MLP و مقایسه عملکرد آنها متوجه عملکرد بهتر شبکه‌های SVR شدند و از آن به عنوان شبکه منتخب استفاده کردند. در انتها با استفاده ازروش‌های میانگین متحرک انباشته خودهمبسته و خودرگرسیون برداری برای پیش‌بینی نرخ ارز به این نتیجه رسیدند که شبکه عصبی منتخب مورد استفاده آنها قدرت پیش‌بینی بهتری نسبت به سایر روش‌ها دارد(Ince & Trafalis، 2005).
فلاحی و همکاران به منظور پیش‌بینی درآمدهای مالیات بر مشاغل در ایران به بررسی عملکرد شبکه‌های عصبی و رگرسیون خطی و سری زمانی پرداختند. شبکه عصبی مورد استفاده آنها یک شبکه پیشخور سه لایه با روش آموزشی پس انتشار خطا بود که در نهایت با توجه به معیارهای RMSE و MAE به این نتیجه رسیدند که شبکه عصبی مصنوعی نسبت به سایر مدل ها و روش‌های پیش‌بینی برتری دارد(فلاحی، خالوزاده و حمیدی علمداری، 2006).
مالیک و ناصرالدین، به پیش‌بینیGDP با استفاده از قیمت‌های نفت پرداختند. آنها با مطالعه بر روی بازار نفت در آمریکا یافتند که قیمت ها در بازار نفت از یک روند غیرخطی تبعیت می‌کند. روش‌های مورد استفاده آنها گام تصادفی، اتورگرسیو، رگرسیون خطی، شبکه عصبی آبشاری20 و یک شبکه عصبی پرسپترون پیشخور چند لایه بود. در نهایت با معیارهای MAE و MSE به این نتیجه رسیدند که شبکه عصبی آبشاری دارای عملکرد بهتری می باشد(Malik & Nasereddin، 2006).
مرزبان و همکارن به منظور پیش‌بینی نرخ ارز از روش‌های ساختاری اقتصاد سنجی، سری زمانی و شبکه‌های عصبی استفاده کردند. نتایج حاصل از پژوهش آنها نشان داد که شبکه‌های عصبی نسبت به دو مدل دیگر برتری دارند و سری زمانی با توجه به مشخصه های خود از روش ساختاری عملکرد بهتری دارد(مرزبان، اکبریان و جواهری، 1384).
مشیری و براون در پژوهشی با استفاده از شبکه‌های عصبی MLP و GRNN 21 به پیش‌بینی نرخ بیکاری در پنج کشور صنعتی پرداختند و با استفاده از معیار MSPE یا درصد میانگین مربعات خطا نتیجه گرفتند که شبکه عصبی GRNN دارای عملکرد بهتری می باشد( Moshiri & Brown، 2004).
شکیبایی و همکاران برای پیش‌بینی عرضه نفت خام در یازده کشور تولید کننده نفت از رگرسیون خطی و شبکه‌های عصبی استفاده کردند. در مقایسه بین نتایج پیش‌بینی در معیار RMSE در ده مورد شبکه عصبی دارای عملکرد بهتر و تنها در یک مورد رگرسیون خطی دارای خطای کمتری بود و در معیار MAE مدل شبکه عصبی برای هفت کشور دارای عملکرد بهتر و چهار کشور در مدل رگرسیون خطی دارای دارای عملکرد بهتری بودند(شكيبايى، پور و حسينى، 1388).
طلوعي اشلقي و حق دوست در مقاله خود با عنوان مدل سازي پيش‌بيني قيمت سهام با استفاده از شبكه‌هاي عصبي مصنوعي و مقايسه آن با روش‌هاي پيش‌بيني رياضي، با استفاده از دو الگوي رگرسيوني و شبكه عصبي به پيش‌بيني قيمت سهام ايران خودرو پرداختند. در اين مطالعه در تحليل قيمت سهام ايران خودرو در الگوي رگرسيوني از متغيرهاي قيمت بسته شدن سهم، ميانگين قيمت، تعداد خريد و فروش، تعداد سهام معامله شده، پايين‌ترين قيمت سهم، بالاترين قيمت سهم، تعداد افرادي كه در يك روز سهم را خريد و فروش كرده‌اند، تعداد دفعات خريد و فروش يك سهم، قيمت قبلي سهم و ارزش معاملات در بازار استفاده شد. داده‌هاي اين تحقيق داده‌هاي روزانه براي دوره 82-1380 مي‌باشد. در اين تحقيق از يك شبكه عصبي پيشخور با سه لايه پنهان استفاده شد كه در هر لايه به ترتيب 6، 4 و 4 نرون استفاده گرديد. يافته‌هاي اين پژوهش حاكي از اين است كه خطاي پيش‌بيني در شبكه الگوي شبكه عصبي بالاتر از الگوي رگرسيوني مي‌باشد (اشلقی&دوست، 1386).
مهدوي و بهمنش در كار پژوهشي خود تحت عنوان طراحي مدل پيش‌بيني قيمت سهام شركت‌هاي سرمايه‌گذاري با استفاده از شبكه‌هاي عصبي مصنوعي (تحقيق موردي: شركت سرمايه‌گذاري البرز)، كه متغيرهاي ورودي شامل دارايي‌ها، درآمد ناشي از فروش سهام، درآمد ناشي از سرمايه‌گذاري، ارزش بازاري هرسهم و سود هر سهم بودند. داده‌هاي مورد استفاده در اين پژوهش عبارتند از داده‌هاي ماهانه براي مدت 3 سال (مهدوی و بهمنش، 1384).
حيدري زارع و كردلويي در پژوهش خود تحت عنوان پيش‌بيني قيمت سهام با استفاده از شبكه عصبي مصنوعي متغيرهاي ورودي شبكه عبارتند از: قيمت سهام شركت غدير، نرخ‌هاي ارز و دلار و يورو و قيمت طلا و قيمت نفت. داده‌هاي مورد استفاده در اين شبكه به صورت روزانه و مربوط به سال‌هاي 84-1381 بود. نتيجه‌اي كه از اين تحقيق گرفته شد بسيار قابل‌توجه بود و در مطالعه‌ي حاضر هم مورد آزمون قرار گرفت به اين صورت كه ابتدا داده‌ها به صورت غير تصادفي و بر اساس يك الگوريتم ترتيبي به شبكه وارد شدند. در نوبت بعد داده ها به صورت تصادفي به مدل وارد شده و با همان تعداد مشاهده براي آموزش و اعتبار سنجي و آزمايش. در اين حالت خطاي پيش‌بيني با همان معيار تا سطح زیادی كاهش يافت(زارع و كردلويي، 1389).
2-8 شبکه های عصبی
شبکههای عصبی مصنوعی تکنیکهایی هستند که با تقلید از سیستم عصبی بیولوژیکی انسان، سعی در حل نمودن مسائل مینمایند. این شبکهها در بسیاری از زمینهها نظیر تجارت، صنعت، علوم تجربی و … کاربرد دارند. این شبکهها نخستین بار در سال 1943 توسط مککولا (عصبشناس) و پیت (ریاضیدان) بوجود آمد. از آنجایی که مفاهیم پایهای مطرح شده در مباحث مربوط به آن از اساس ریاضی مستحکم و قابل اعتمادی برخوردار بود، بعدها بطور گستردهای مورد اقبال عمومی محققان در مدلسازی تجربی فرآیندهای غیرخطی قرار گرفت. شبکههای عصبی مصنوعی، اگرچه با سیستم عصبی طبیعی قابل مقایسه نیستند، اما وجود ویژگیهای مهمی مانند: قابلیت یادگیری، قابلیت تعمیم، قابلیت پردازش موازی و قابلیت ترمیم خطاها و …، این شبکهها را در مواردی که نیاز به یک نگاشت خطی و یا غیرخطی باشد، متمایز میسازد (منجمعی و همکاران، 1388).بطور کلی سیستم عصبی انسانها از یک سری عناصر

پایان نامه
Previous Entries دانلود پایان نامه ارشد با موضوع نرخ بهره، قضا و قدر، بازار سهام Next Entries دانلود پایان نامه ارشد با موضوع پردازش اطلاعات