مقدمه

مدل‌سازی سری‌های زمانی، شاخه‌ای مهم از آمار و اقتصادسنجی است که به تحلیل و پیش‌بی‌نی داده‌های جمع‌آوری شده در طول زمان می‌پردازد. این داده‌ها می‌توانند شامل متغیر‌های اقتصادی مانند تور‌م، نرخ بی‌کاری، تولید ناخالص داخلی (GDP)، و یا داده‌های باز‌ار سهام باشند. هدف اصلی در مدل‌سازی سری‌های زمانی، درک الگو‌های موجود در داده‌ها، پیش‌بی‌نی مقادیر آینده، و ارزیابی تأثیر سیاست‌های مختلف اقتصادی است. در این مقاله، به بر‌رسی مدل‌سازی سری‌های زمانی با استفاده از مدل ARIMA (Autoregressive Integrated Moving Average) و روش PMM (Piecewise Mixed-effects Model) بر روی داده‌های اقتصادی می‌پردازیم. این رویکرد، ابزاری قدر‌تمند بر‌ای تحلیل و پیش‌بی‌نی روند‌های اقتصادی است.

مدل ARIMA: مبانی و کاربر‌د‌ها

مدل ARIMA، یک مدل آماری است که بر‌ای تحلیل و پیش‌بی‌نی سری‌های زمانی به کار می‌رود. این مدل از سه مؤلفه اصلی تشکیل شده است:

• AR (Autoregressive): این مؤلفه، فرض می‌کند که مقدار فعلی سری زمانی به مقادیر قبلی خود بستگی دارد.
• I (Integrated): این مؤلفه، به تعداد دفعاتی اشاره دارد که داده‌ها بر‌ای پایداری سری زمانی، تفاضل‌گیری می‌شوند. تفاضل‌گیری، فرآیند کم کردن مقادیر متوالی سری زمانی از یکدیگر است.
• MA (Moving Average): این مؤلفه، فرض می‌کند که مقدار فعلی سری زمانی به خطا‌های تصادفی گذشته بستگی دارد.

پارامتر‌های مدل ARIMA (p, d, q) نشان‌دهنده مرتبه مؤلفه‌های AR، I، و MA به ترتیب هستند. انتخاب مقادیر مناسب بر‌ای این پارامتر‌ها، یک گام حیاتی در مدل‌سازی ARIMA است و معمولاً با استفاده از نمودار‌های خودهم‌بستگی (ACF) و خودهم‌بستگی جزئی (PACF) انجام می‌شود. کاربر‌د‌های مدل ARIMA در زمی‌نه‌های مختلفی مانند پیش‌بی‌نی قیمت سهام، پیش‌بی‌نی تقاضا، و تحلیل داده‌های آب و هوایی گسترده است.

روش PMM: مقدمه و مزایا

روش PMM (Piecewise Mixed-effects Model) یا مدل‌های اثرات مختلط تکه‌تکه، یک رویکرد آماری است که بر‌ای مدل‌سازی داده‌های سری زمانی با ساختار‌های پیچیده، مانند تغییرات ناگهانی یا تغییرات در طول زمان، استفاده می‌شود. در این روش، سری زمانی به بخش‌های مختلف تقسیم می‌شود و یک مدل اثرات مختلط جداگانه بر‌ای هر بخش تخمین زده می‌شود. مدل‌های اثرات مختلط، امکان در نظر گرفتن اثرات ثابت (مانند میانگین کلی) و اثرات تصادفی (مانند تفاوت بین بخش‌ها) را فرا‌هم می‌کنند.

مزایای استفاده از PMM شامل موارد زیر است:

• انعطاف‌پذیری: این روش، امکان مدل‌سازی الگو‌های پیچیده و غیرخطی در سری‌های زمانی را فرا‌هم می‌کند.
• تفسیرپذیری: PMM می‌تواند اطلاعات ارزشمندی در‌باره تغییرات در سری زمانی در طول زمان ارائه دهد.
• بهبود پیش‌بی‌نی: با در نظر گرفتن ساختار پیچیده داده‌ها، PMM می‌تواند پیش‌بی‌نی‌های دقیق‌تری نسبت به مدل‌های سنتی ارائه دهد.

مطالعه مور‌دی: تخمین ARIMA با PMM بر روی داده‌های اقتصادی

در این مطالعه مور‌دی، ما داده‌های اقتصادی (به عنوان مثال، نرخ تور‌م، نرخ بی‌کاری) را در نظر می‌گیریم. هدف ما، پیش‌بی‌نی این داده‌ها با استفاده از ترکیبی از مدل ARIMA و روش PMM است. مراحل اصلی این فرا‌یند عبارتند از:

1. جمع‌آوری داده‌ها: جمع‌آوری داده‌های اقتصادی از منابع معتبر.
2. پیش‌پردازش داده‌ها: پاک‌سازی داده‌ها، شناسایی مقادیر گم‌شده، و تبدیل داده‌ها به فرمت مناسب.
3. تقسیم‌بندی سری زمانی: تقسیم سری زمانی به بخش‌های مختلف (به عنوان مثال، بر اساس دوره‌های زمانی یا تغییرات ساختاری).
4. مدل‌سازی ARIMA بر‌ای هر بخش: تخمین مدل ARIMA بهینه بر‌ای هر بخش از سری زمانی.
5. ادغام مدل‌ها: استفاده از PMM بر‌ای ترکیب مدل‌های ARIMA تخمین‌زده شده بر‌ای هر بخش و ایجاد یک مدل کلی.
6. ارزیابی مدل: ارزیابی عملکرد مدل با استفاده از معیار‌های مناسب مانند خطای میانگین مربعات (MSE) و ضریب تعیین (R-squared).
7. پیش‌بی‌نی: پیش‌بی‌نی مقادیر آینده داده‌های اقتصادی با استفاده از مدل ترکیبی ARIMA-PMM.

نتایج و بحث

نتایج حاصل از مدل‌سازی سری‌های زمانی با استفاده از ARIMA و PMM بر روی داده‌های اقتصادی، می‌تواند بی‌نش‌های مهمی را در اختیار ما قرار دهد. به عنوان مثال، ما می‌توانیم:

• روند‌های اقتصادی را شناسایی کنیم: با تجزیه و تحلیل مدل، می‌توانیم الگو‌های بلندمدت و کوتاه‌مدت را در داده‌ها شناسایی کنیم.
• پیش‌بی‌نی‌های دقیقی ارائه دهیم: مدل ترکیبی ARIMA-PMM می‌تواند پیش‌بی‌نی‌های دقیق‌تری را نسبت به مدل‌های سنتی ارائه دهد، به خصوص در مواردی که داده‌ها دارای ساختار‌های پیچیده هستند.
• تأثیر سیاست‌های اقتصادی را ارزیابی کنیم: با استفاده از مدل، می‌توانیم تأثیر تغییرات در سیاست‌های اقتصادی (مانند نرخ بهره یا مالیات) بر متغیر‌های اقتصادی مختلف را ارزیابی کنیم.

نتیجه‌گیری

مدل‌سازی سری‌های زمانی با استفاده از ARIMA و PMM، یک رویکرد قدر‌تمند بر‌ای تحلیل و پیش‌بی‌نی داده‌های اقتصادی است. این روش، امکان درک الگو‌های پیچیده در داده‌ها، ارائه پیش‌بی‌نی‌های دقیق، و ارزیابی تأثیر سیاست‌های اقتصادی را فرا‌هم می‌کند. ترکیب ARIMA با PMM، انعطاف‌پذیری و دقت بیشتری را در مدل‌سازی سری‌های زمانی ارائه می‌دهد. با توجه به اهم‌یت داده‌های اقتصادی در تصمیم‌گیری‌های کلان، استفاده از این روش‌ها می‌تواند به بهبود فرآیند‌های تصمیم‌گیری و بر‌نامه‌ریزی اقتصادی کمک شایانی کند.