ارسل ملاحظاتك

ارسل ملاحظاتك لنا







مقارنة بعض الطرائق اللامعلمية باستعمال المحاكاة

العنوان بلغة أخرى: Comparison of Some Nonparametric Methods Using Simulations
المصدر: مجلة الإدارة والاقتصاد
الناشر: الجامعة المستنصرية - كلية الإدارة والاقتصاد
المؤلف الرئيسي: داخل، بسام هاشم (مؤلف)
المؤلف الرئيسي (الإنجليزية): Dakhil, Bassam Hashem
مؤلفين آخرين: غنى، على ياسين (م. مشارك)
المجلد/العدد: ع129
محكمة: نعم
الدولة: العراق
التاريخ الميلادي: 2021
الشهر: ايلول
الصفحات: 456 - 467
ISSN: 1813-6729
رقم MD: 1195264
نوع المحتوى: بحوث ومقالات
اللغة: العربية
قواعد المعلومات: EcoLink
مواضيع:
كلمات المؤلف المفتاحية:
السلاسل الزمنية | الانحدار اللامعلمي | مقدر Nadaraya-Watson | الذكاء الصناعي | الشبكات العصبية الاصطناعية | الانتشار الخلفي للخطأ | Time Series | Nadaraya-Watson Estimator | Artificial Intelligence | Artificial Neural Networks | Back-Error Propagation
رابط المحتوى:
صورة الغلاف QR قانون
حفظ في:
LEADER 04262nam a22002537a 4500
001 1941228
041 |a ara 
044 |b العراق 
100 |a داخل، بسام هاشم  |g Dakhil, Bassam Hashem   |e مؤلف  |9 639774 
245 |a مقارنة بعض الطرائق اللامعلمية باستعمال المحاكاة 
246 |a Comparison of Some Nonparametric Methods Using Simulations 
260 |b الجامعة المستنصرية - كلية الإدارة والاقتصاد  |c 2021  |g ايلول 
300 |a 456 - 467 
336 |a بحوث ومقالات  |b Article 
520 |b There was a need to compare the nonparametric methods used in predicting time series to find the most efficient method for forecasting, and this was in fact the main objective of this study. The research problem was summed up that parametric statistical methods need conditions and criteria that may be difficult to meet, so it was necessary to search for new methods of prediction other than the traditional methods, which are non-parametric methods. The comparison was through the application of the simulation method, where the data was generated by the restricted generation equation based on the original data, with the lowest value and the highest value for each type of data. The focus of the study is a comparison between the two methods of neural networks (the back propagation error network) and the kernel method (Nadaraya-Watson estimator). As for the sample sizes, the sizes (15, 30, 60 and 100) were selected. As for the criteria that were used for comparison, they were (MSE, RMSE, MAE, MAPE).The results showed, through simulation, that the neural networks give better and more efficient results than the Kernel method in most of the scales and for all sample sizes. 
520 |a ظهرت الحاجة لمقارنة الطرائق اللامعلمية المستعملة في التنبؤ بالسلاسل الزمنية لإيجاد الأسلوب الأكثر كفاءة في التنبؤ، وكان هذا بالحقيقة يمثل الهدف الأساس لإجراء هذه الدراسة. وتلخصت مشكلة البحث بأن الطرائق الإحصائية المعلمية تحتاج إلى شروط ومعايير قد يصعب توافرها لذلك توجب البحث عن طرائق جديدة للتنبؤ بخلاف الطرائق التقليدية هي الطرائق اللامعلمية. وكانت المقارنة من خلال تطبيق أسلوب المحاكاة حيث تم توليد البيانات عن طريق معادلة التوليد المقيد بالاعتماد على البيانات الأصلية أقل قيمة وأعلى قيمة لكل نوع من البيانات. ومحور الدراسة هي مقارنة بين طريقتي الشبكات العصبية (شبكة الانتشار الخلفي للخطأ) وطريقة Kernel (مقدر Nadaraya-Watson) أما حجوم العينات فتم اختيار الحجوم (51 و 30 و 60 و 100) أما فيما يخص المعايير التي استعملت للمقارنة فكانت (MAPE, MAE, RMSE, MSE). أظهرت النتائج ومن خلال المحاكاة أن الشبكات العصبية تعطي نتائج أفضل وأكثر كفاءة من طريقة Kernel في أغلب المقاييس ولجميع حجوم العينات. 
653 |a الطرائق اللامعلمية  |a الشبكات العصبية  |a المتغيرات الاقتصادية 
692 |a السلاسل الزمنية  |a الانحدار اللامعلمي  |a مقدر Nadaraya-Watson  |a الذكاء الصناعي  |a الشبكات العصبية الاصطناعية  |a الانتشار الخلفي للخطأ  |b Time Series  |b Nadaraya-Watson Estimator  |b Artificial Intelligence  |b Artificial Neural Networks  |b Back-Error Propagation 
700 |a غنى، على ياسين  |g Ghani, Ali Yassin   |e م. مشارك  |9 427042 
773 |4 الاقتصاد  |4 الإدارة  |6 Economics  |6 Management  |c 026  |e Journal of Administration and Economics  |f Maǧallaẗ al-idāraẗ wa-al-iqtiṣād  |l 129  |m ع129  |o 1148  |s مجلة الإدارة والاقتصاد  |v 000  |x 1813-6729 
856 |u 1148-000-129-026.pdf 
930 |d n  |p y  |q n 
995 |a EcoLink 
999 |c 1195264  |d 1195264