چکیده:
در این مطالعه ابتدا محتوای اطلاعاتی متغیرهای گوناگون اقتصادی برای پیش بینی قیمت مسکن در شهر تهران بررسی شده و سپس عملکرد برخی از روش¬های ترکیب پیش بینی برای پیش بینی این متغیر ارزیابی شده¬است. نتایج به¬دست آمده حاکی از آن است که اســتفاده از اطلاعات متغیرهای گوناگون به وسیله تکنیک¬های ترکیب پیش بینی می¬تواند باعث افزایش دقت پیش بینی گردد. در این میان، دقت روشهای ساده ترکیب از روش وزن¬های بهینه، علیرغم برخورداری از پشتوانه نظری، بیشتر است. همچنین بطور کلی اختصاص اهمیت بیشتر به پیش بینی¬های اخیر (در روش¬ مجذور خطای تنزیل¬شده) و همفزونی کمتر اطلاعات (در روش خوشه¬بندی) موجب افزایش دقت پیش بینی می¬گردد. از طرف دیگر انقباض وزن¬ها به سمت وزن¬های یکسان (در روش انقــباضی) با کاهش میــزان خطای تخمین، عملکرد پیش بینی را بهبود می-بخشد.
In this study، the information content of diverse range of economic variables for Tehran house price forecast has been examined and then the performance of some forecast combination methods for this target variable has been evaluated. The results show that using the information of various variables through forecast combination techniques can improve the forecast accuracy. Among these techniques، simple combination methods are more accurate than the optimal weight methods although latter has theoretical background. Also، in general، putting more emphasis on the recent forecasts (in the discounted squared error methods) and less information aggregation (in clustering methods) can improve forecast accuracy. On the other hand، shrinking weights toward the equal weights (in shrinkage methods) can improve forecast performance through reducing estimation error.
خلاصه ماشینی:
استاک و واتسون (٢٠٠٣) نیز بطور مشابهی دریافتند که روش های ساده میانگین پیراسته و میانه نسبت به پیش بینی مدل مرجع عملکرد بهتری داشته اند.
Elliott & Timmermann / از سوی دیگر، نیوبلد و گرنجر (١٩٧٤) و وینکلر و مکریــداکیس (١٩٨٣) نشــان دادند روش هایی که دارای حافظه بلندمدت اند و دارای تغییرات زمانی کمتری در طول زمان هستند عملکرد بهتری دارند.
نتایج به دست آمده حاکی از آن است که اکثر روش های ترکیب ، میتواننـــد پیش بینی بهتری نسبت به بسیاری از پیش بینیهای ساده و نیز مدل پایه خودرگرسیون ارائه دهند.
Clustering مطالعه مقدار به عنوان حداقل تعداد مشاهدات لازم از پیش بینیهای ساده برای تخمــین وزن های ترکیب ، درنظر گرفته شده است .
53 توضیحات : در این جدول عملکرد ترکیب پیش بینیهای ساده برای افق پیش بینی ٤ فصل نشان داده شده است .
٦. در روش وزن یکسان خوشه ای و در همه افق های پیش بینی، هرچه تعداد خوشه ها افزایش پیدا کند، عملکرد پیش بینی از لحاظ معیار MSFE بهبود مییابد.
٩. بطور کلی در روش وزنهای انقباضی و در همه افق های پیش بینی، هرچه ضریب انقباض افزایش یابد (یعنی هرچه وزن ها بیشتر به سمت وزنهای یکسان سوق داده شوند)، عملکرد پیش بینی از لحاظ معیار MSFE بهبود مییابد.
نتیجه گیری با توجه به نتایج ارائه شده ، ملاحظه میشود که تکنیک های ترکیب پیش بینی میتواند بهبود قابل ملاحظه ای نسبت به بسیاری از پیش بینیهای ساده و همچنین مدل پایه خودرگرسیون حاصل کند.