مقایسه الگو‏های میانگین متحرک خود رگرسیون انباشته، رگرسیون فازی و رگرسیون انباشته فازی به منظور پیش‏بینی قیمت (مطالعه موردی: قیمت گوشت گوسفند)

نوع مقاله : مقالات پژوهشی

نویسندگان

• محمدرضا زارع مهرجردی
• سمانه نگارچی

دانشکده اقتصاد کشاورزی، دانشگاه شهید باهنر کرمان

https://doi.org/10.22067/jead2.v1390i1.8894

چکیده

چکیده
امروزه به علت عدم قطعیت محیط و توسعه سریع تکنولوژی نوین معمولاً باید موقعیت‏های آینده را با استفاده از داده‏های کم و در بازه زمانی کوتاه‏مدت پیش‏بینی کرد. بنابراین به روش‌هایی برای پیش‏بینی نیاز است که به داده‏های کمتری احتیاج داشته باشد. مدل میانگین متحرک خودرگرسیون و روش شبکه عصبی مصنوعی برای دست‏یابی به نتایج دقیق نیاز به داده‏های زیادی دارند اما مدلهای رگرسیون فازی، مدل‏های مناسبی برای پیش‏بینی با استفاده از داده‏های کمتری نسبت به دیگر روشها می‏باشند. در این مقاله به منظور برطرف ساختن مشکل مذکور و حصول نتایج دقیق‏تر به بررسی سه روش میانگین متحرک خود‏رگرسیون انباشته، رگرسیون فازی و میانگین متحرک خود‏رگرسیون انباشته فازی که از ترکیب دو روش قبل بدست آمده، پرداخته شده است. مقایسه میزان صحت پیش‏بینی مدل‏های مذکور براساس دو معیار خطای ریشه متوسط مربعات(RMSE) و ضریب تعیین (R2 ) حاکی از آن است که مدل میانگین متحرک خود‏رگرسیون انباشته فازی به عنوان الگوی برتر جهت پیش‏بینی مقادیر شاخص قیمت بوده است.

واژه های کلیدی: ARIMA، پیش‏بینی قیمت، رگرسیون انباشته فازی، رگرسیون فازی

20.1001.1.20084722.1390.25.1.12.2

عنوان مقاله [English]

Comparison of ARIMA, Fuzzy Regression and Fuzzy Auto Regressive Integrated Moving Average Methods in Price Forecasting

نویسندگان [English]

• M.R. Zare Mehrjerdi
• S. Negarchi

Agricultural Economic, Shahid Bahonar University of Kerman

چکیده [English]

Abstract
Nowadays, due to the environmental uncertainty and rapid development of new technologies, economic variables are often predicted by using less data and short-term timeframes. Therefore, prediction methods which require fewer amounts of data are needed. Auto Regressive Integrated Moving Average (ARIMA) model and Artificial Neural Networks (ANNs) need large amounts of data to achieve accurate results, however Fuzzy Regression (FR) models, compared with other models, are more suitable for conditions with less attainable data. In order to solve the above mentioned problem and to achieve more accurate results, in the present paper three methods have been evaluated: Auto Regressive Integrated Moving Average (ARIMA), Fuzzy Regression (FR), and Fuzzy Auto Regressive Integrated Moving Average (FARIMA) which is resulted by combining ARIMA and Fuzzy methods. Comparing the accuracy of predictions, based on two criteria RMSE and R2, indicated that Fuzzy Auto Regressive Integrated Moving Average (FARIMA) had the best results in forecasting the price index.
Keywords: Price prediction, ARIMA, Fuzzy regression, FARIMA