چکیده:
در این مقاله، با هدف دستیابی به پیشبینیهای دقیقتر، سه نوع الگوی رگرسیون خطی، سریزمانی و شبکه عصبی مصنوعی طراحی و براورد شده است. در ابتدا ماهیت ساختاری سریزمانی مورد نظر از جهت خطی، غیرخطی و تصادفی بودن با استفاده از آزمون نمای لیاپانوف بررسی شده است. نتایج این آزمون، وجود آشوب ضعیفی را در سیستم نشان میدهد و بیانگر امکان استفاده از الگوسازی غیرخطی برای پیشبینی دقیق تر کوتاه مدت است. در مرحله بعد با استفاده از رگرسیون خطی، الگوی سری زمانی و شبکههای عصبی مصنوعی، ضمن انجام پیشبینی درآمدهای مالیات بر مشاغل طی دوره زمانی 1379-1383، عملکرد این سه روش با یکدیگر مقایسه شده است. نتایج براورد الگوها نشان دهنده عملکرد بهتر الگوی شبکه عصبی مصنوعی میباشد.
طبقهبندی JEL :E62; C53; C20; C45
چکیده انگلیسی:
In this paper, in order to have a more a accurate forecast, three kinds of models: linear regression, time series and artificial neural network are used. Using Lyapunov exponent test, the structure of time series based on linearity, nonlinearity and stochastic process is studied. The results show a weak chaos in the system and declare possibility of applying nonlinear modeling for short-run forecasts.
Using artificial neural network, linear regression and time series methods, occupational income tax are forecasted for period 1379-1383 and their performance is compared with each other. The results indicate better performance of neural network model.
JEL Classification : E62; C53; C20; C45
خبرنامه
برای ثبت نام در خبرنامه و دریافت خبرنامه ایمیل خود را وارد نمایید.
