مبانی نظری و پیشینه تحقیق در مورد پیش بینی و مدل های پیش بینی

مبانی نظری و پیشینه تحقیق در مورد پیش بینی و مدل های پیش بینی

بخشی از متن:

مبانی نظری و پیشینه تحقیق در مورد پیش بینی و مدل های پیش بینی

تعداد صفحات : 42

فرمت : word (قابل ویرایش)

کاملترین و به روزترین در سطح اینترنت
دارای پیشینه داخلی و خارجی دارد.
دارای منابع فارسی و انگلیسی جدید
فاقد غلط املایی و نگارشی.
رفرنس دهی و پاورقی استاندارد.

پیش بینی و مدل­های پیش ­بینی

   تعریف پیش ­بینی

در یک تعریف کلی، فرایندپیشگویی شرایط و حوادث آینده را پیش­بینی نامیدهو چگی انجام این عمل را پیش­بینی کردننامیده می­شود (بوکوتا، 2002).

هر سازمانی جهت تصمیم­گیریآگاهانه باید قادر به پیش­بینی کردنباشد. از آنجایی که پیش­بینی وقایع آینده در فرآیندتصمیم­گیری در سازمان نقش عمده ای را ایفا می کند، پیش­بینی کردن برای بسیاری از سازمانها و نهادها حائز اهمیتبالقوه­ای است. بنابراین بیشتر تصمیمات مدیریت در تمام سطوح سازمان به طور مستقیمو یا غیر مستقیم به حالتی از پیش­بینی آیندهبستگی دارد.

در مدیریت استراتژیک، پیش­بینی شرایط عمومی اقتصاد،نوسانات قیمت و هزینه­ی تغییرات تکنولوژی، رشد بازار و امثال آن در ترسیم آیندهبلند­مدت شرکت موثر است. به همین دلیل است که کنترل هر فرایند، منوط به پیش­بینی رفتار دوره فرآیند در آیندهاست. برای مثال ممکن است که در یک دوره فرآیند دستگاهی بیش از حد معین کار کند وتعداد اقلام معیوب تولید شده افزایش یابد. بنابراین برای شناسایی به موقع این نقصباید از روش های مناسب پیش­بینیاستفاده نموده و نسبت به تصحیح و یا حذف آن با توجه به شرایط موجود اقدام نمود(ریفنس، 1997).

   مدل ­های پیش ­بینی

ابزارهای عینی و ریاضی که برایپردازش و تجزیه و تحلیل داده­ها مورد استفاده قرار می­گیرند مدل­های پیش­بینینامیده می­شوند. به عبارت دیگر، الگویی از یک واقعیت که ساده و کوچک شده و روابطبین متغیرهای آن واقعیت یا سیستم را نشان می­د­هد، مدل خوانده می­شود. بنابراین،هنگامی که متغیرهای مورد نظر به صورتی منظم، ساده و قابل فهم در جهت اهداف پیش­بینیدر کنار یکدیگر قرار گرفتند و الگویی از روابط را بوجود آوردند، یک مدل پیش­بینیشکل می­گیرد.

    سری ­های زمانی^[1]

به روند مقادیر یک متغیر درطول زمان که به صورت دوره­های زمانی با فواصل معین و یکسان تنظیم شده­اند سریزمانی گفته می­شود. در تحلیل سری زمانی وضعیت تغییرات یک متغیر در گذشته موردبررسی قرارگرفته و به آینده تعمیم داده می­شود. به طور کلی مدل­هایی که در تحلیلسری­های زمانی مورد استفاده قرار می­گیرند به دو دسته مدل­های خطی و غیر­خطی تقسیممی­شوند.

مدل­های خطی مانند مدل­هایباکس ـ جنکینز^[2] و یکنواخت سازی نمایی برایسری­های زمانی خطی مناسب هستند، ولی در مدل­سازی سری­های زمانی مالی و غیر­خطی بامشکل مواجه می­شوند.

مدل­های غیر­خطی از قبیل مدل­هایغیر­کاهنده آستانه­ای، یک تابع غیر­خطی خاص و از پیش تعیین شده را پیش­بینی می­کنند. به عبارتی تابعخطی مورد استفاده در این روش­ها مشخص است. نوع دیگر مدل­های غیر خطی شبکه­های عصبیمصنوعی هستند که می توانند هر تابعی را تخمین بزنند و فرایندهای با رفتار ناشناختهرا مدل نمایند.

سری­های زمانی بدنبال مقادیریک صفت متغیر در طول زمان هستند. مشاهدات عموما باید در تاریخ­های معین یعنی درفواصل زمانی تقریبا ثابت به عمل آیند. مقادیر یک صفت متغیر ممکن است مربوط به یکلحظه زمانی و یا مربوط به یک فاصله یا دوره زمانی باشد. که در حالت اول سری زمانیرا لحظه­ای و در حالت دوم سری زمانی را دوره­ای و یا فاصله­ای می­نامند. قیمت سهامشرکت­ها در آخرین روز ماه و ماه­های متوالی و همچنین تعداد بهره برداری­هایکشاورزی در سال­های متوالی از نوع سری­های زمانی لحظه­ای است و حجم بازرگانی خارجیدر سال­های متوالی و تعداد نامه­های پست شده در ماه­های متوالی و یا سال­هایمتوالی از نوع سری­های زمانی دوره­ای یا فاصله­ای می باشند.

مطالعه سری­های زمانی در اکثررشته­ها مانند جامعه شناسی، بازرگانی، زیست­شناسی، زمین­شناسی و به خصوص زمینهمسائل اقتصادی پیشرفت فراوان داشته و از نظر آمارشناسان اقتصادی نه تنها تشریح وضعفعلی درباره مسائل اقتصادی، ضروری است، بلکه پیش­بینی وضع برای آینده نزدیک و دور نیز ضروری است. بدیهی استهیچ پیش­بینی بدون اطلاع از گذشته نمی­تواندبه عمل آید و تهیه سری­های زمانی به منظور تامین اطلاع و آشنایی نسبت به گذشتهاست.

مدل باکس ـ جنکینز^[3]

مدل باکس ـ جنکینز یا آریما^[4] عبارتست از برازاندن یک الگویمیانگین متحرک^[5] تلفیق شده با خود­رگرسیو^[6] به مجموعه داده­ها و بدستآوردن الگوی ریاضی شرطی در یک سری زمانی است. یک مدل آریما سه جزء دارد (خالوزاده،1999).

1-   خود رگرسیو

2-   میانگین یکپارچه^[7]

3-   میانگین متحرک

پرداخت با کلیه کارتهای عضو شتاب امکان پذیر است.