مقایسه کارایی مدل های کلاسیک و شبکه های پویا در کاربردی از مدل های خودتوضیح شبکه ای تعمیم یافته

 یکی از مهم ترین مشکلات در پیش بینی پدیده های اقتصادی فقدان داده های کافی و یا وجود داده های مفقودی قابل توجه در سری های زمانی است. در مقاله حاضر با استفاده از روش جدید خودتوضیح شبکه ای تعمیم یافته، داده های سری زمانی مربوط به نرخ رشد تولید ناخالص داخلی مربوط به ۱۸ کشور حوزه خاورمیانه و شمال آفریقا از سال ۱۹۸۰ تا ۲۰۱۹ مدل سازی شد. در این مجموعه، ۴۲/۱۳ درصد از کل مشاهدات موجود نیست. در روش پیشنهادی، شبکه یا گراف تصادفی که راس ها یا گره های آن کشورها یا سری های زمانی مربوط به آن ها است در نظر گرفته شد. سپس مدل خودتوضیح هر گره براساس تمامی داده های گره های همسایگی چند مرحله آن ساخته شد. برخی پارامترهای مدل مدنظر می تواند به گره وابسته باشد (مدل محلی) یا برای تمامی گره های شبکه یکسان لحاظ شود (مدل سراسری). داده های مفقودی نیز توسط تغییر در وزن یال های شبکه روی گره ها مدل شد. در انتها، براساس مدل ساخته شده سری زمانی پیش بینی شد. از آنجا که ساختار شبکه بر مدل و در نهایت بر پیش بینی تاثیرگذار است و بررسی تمامی شبکه های ممکن دشوار است برای مدل سازی به روش پیشنهادی از ۱۰ هزار شبکه تصادفی بدون جهت و ۱۶ مدل شامل ۸ مدل محلی و ۸ مدل سراسری روی هر شبکه در نظر گرفته شد. از بین ۱۶۰ هزار مدل ساخته شده، مدلی که بتواند کمترین خطای پیش بینی را داشته باشد به عنوان بهترین شبکه انتخاب و از آن برای پیش بینی اصلی استفاده شد.کمترین میزان خطای پیش بینی یک گام درون نمونه ای، مربوط به شبکه محلی با ۶۴ یال و تعداد پارامترهای مدل متناظر با آن ۴ به دست آمد. در نهایت، مدل مورد بررسی با مدل های کلاسیک همچون خودتوضیح و خودتوضیح برداری مورد مقایسه قرار گرفت که برتری مدل ارائه شده در کاهش خطای پیش بینی نسبت به دو مدل کلاسیک مذکور، قابل توجه است.