فایل ورد کامل مبانی نظری و پیشینه پژوهش پیش‌بینی و مدل‌های پیش‌بینی و بررسی کاربرد آن‌ها در تصمیم‌گیری و مدیریت آینده

توجه : به همراه فایل word این محصول فایل پاورپوینت (PowerPoint) و اسلاید های آن به صورت هدیه ارائه خواهد شد

 فایل ورد کامل مبانی نظری و پیشینه پژوهش پیش‌بینی و مدل‌های پیش‌بینی و بررسی کاربرد آن‌ها در تصمیم‌گیری و مدیریت آینده صفحه می باشد دارای تنظیمات و فهرست کامل در microsoft word می باشد و آماده پرینت یا چاپ است

فایل ورد فایل ورد کامل مبانی نظری و پیشینه پژوهش پیش‌بینی و مدل‌های پیش‌بینی و بررسی کاربرد آن‌ها در تصمیم‌گیری و مدیریت آینده  کاملا فرمت بندی و تنظیم شده در استاندارد دانشگاه  و مراکز دولتی می باشد.

توجه : توضیحات زیر بخشی از متن اصلی می باشد که بدون قالب و فرمت بندی کپی شده است

پیشینه تحقیق ومبانی نظری پیش بینی و مدل های پیش بینی

پیش ­بینی و مدل­های پیش ­بینی

تعریف پیش ­بینی

در یک تعریف کلی، فرایند پیشگویی شرایط و حوادث آینده را پیش­بینی نامیده و چکونگی انجام این عمل را پیش­بینی کردن نامیده می­شود (بوکوتا، ۲۰۰۲).

هر سازمانی جهت تصمیم­گیری آگاهانه باید قادر به پیش­بینی کردن باشد. از آنجایی که پیش­بینی وقایع آینده در فرآیند تصمیم­گیری در سازمان نقش عمده ای را ایفا می کند، پیش­بینی کردن برای بسیاری از سازمانها و نهادها حائز اهمیت بالقوه­ای است. بنابراین بیشتر تصمیمات مدیریت در تمام سطوح سازمان به طور مستقیم و یا غیر مستقیم به حالتی از پیش­بینی آینده بستگی دارد.

در مدیریت استراتژیک، پیش­بینی شرایط عمومی اقتصاد، نوسانات قیمت و هزینه­ی تغییرات تکنولوژی، رشد بازار و امثال آن در ترسیم آینده بلند­مدت شرکت موثر است. به همین دلیل است که کنترل هر فرایند، منوط به پیش­بینی رفتار دوره فرآیند در آینده است. برای مثال ممکن است که در یک دوره فرآیند دستگاهی بیش از حد معین کار کند و تعداد اقلام معیوب تولید شده افزایش یابد. بنابراین برای شناسایی به موقع این نقص باید از روش های مناسب پیش­بینی استفاده نموده و نسبت به تصحیح و یا حذف آن با توجه به شرایط موجود اقدام نمود (ریفنس، ۱۹۹۷).

مدل ­های پیش ­بینی

ابزارهای عینی و ریاضی که برای پردازش و تجزیه و تحلیل داده­ها مورد استفاده قرار می­گیرند مدل­های پیش­بینی نامیده می­شوند. به عبارت دیگر، الگویی از یک واقعیت که ساده و کوچک شده و روابط بین 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 پیش­بینی در کنار یکدیگر قرار گرفتند و الگویی از روابط را بوجود آوردند، یک مدل پیش­بینی شکل می­گیرد.

سری ­های زمانی^[۱]

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

مدل­های خطی مانند مدل­های باکس ـ جنکینز^[۲] و یکنواخت سازی نمایی برای سری­های زمانی خطی مناسب هستند، ولی در مدل­سازی سری­های زمانی مالی و غیر­خطی با مشکل مواجه می­شوند.

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

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

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

مدل باکس ـ جنکینز^[۳]

مدل باکس ـ جنکینز یا آریما^[۴] عبارتست از برازاندن یک الگوی میانگین متحرک^[۵] تلفیق شده با خود­رگرسیو^[۶] به مجموعه داده­ها و بدست آوردن الگوی ریاضی شرطی در یک سری زمانی است. یک مدل آریما سه جزء دارد (خالوزاده، ۱۹۹۹).

• خود رگرسیو
• میانگین یکپارچه^[۷]
• میانگین متحرک

بحث­­های کلی مدل

انواع مدل­های باکس ـ جنکینز به صورت زیر بیان می شوند:

الف- مدل اتورگرسیوAR(p)

این روش مشاهدات  را به صورت تابعی از مشاهدات قبلی بیان می­کند. در این مدل

 (۲-۱)

ها مستقلند و در آن  پارامترهایی هستند که بستگی  به هر یک از p مقدار قبل در سری را معلوم می­کنند.

ب) مدل میانگین متحرکMA(Q)

این روش مشاهدات  را به صورت تابعی از اختلالات تصادفی در دوره­ی فعلی t و در دوره­های قبلی بیان می­کند. در این مدل

 (۲-۲)

                        (۲-۳)                      

ها مستقل هستند و  اختلالات تصادفی را در دوره­های (t, t-1,…., t-q) بیان می­کند و  میانگین متحرک اختلال جاری  و اختلال­های قبلی است که اختلال­های قبلی دارای     وزن­های  هستند. عدد q را مرتبه­ی مدل میانگین متحرک می­گویند و جمع وزن های  لزوماً برابر ۱ نیست.

ج) مدل ARMA(p,q)

رابطه کلی با توجه به موارد بحث شده به صورت زیر است که برای سری­های ایستا به کار می­رود.

د) مدل آریما(p,d,q)

این مدل مدل عمومی باکس ـ جنکینز است و تمام گروه­­های ذکر شده را در بر می­گیرد. در این مدل p مرتبه اتوگرسیو مدل و q مرتبه میانگین متحرک مدل و d مرتبه تفاضلی مدل (جهت ایستا کردن مدل) است. یعنی آن چه که این مدل را کامل­تر از مدل قبل می­نماید تبدیل مناسب جهت پایا بودن مدل است.

[۱] -Time series

[۲] -Box-Jenkins

[۳] – Box & Jenkins

[۴] – Autoregressive- IntegratedMoving Average

[۵] – Moving Average

[۶] – Autoregressive

[۷] -Integrated Average

..

..