Εντοπίστηκε ένα σφάλμα στη λειτουργία της ΠΥΞΙΔΑΣ όταν χρησιμοποιείται μέσω του προγράμματος περιήγησης Safari. Μέχρι να αποκατασταθεί το πρόβλημα, προτείνουμε τη χρήση εναλλακτικού browser όπως ο Chrome ή ο Firefox. A bug has been identified in the operation of the PYXIDA platform when accessed via the Safari browser. Until the problem is resolved, we recommend using an alternative browser such as Chrome or Firefox.
Λογότυπο αποθετηρίου

Πλοήγηση ανά Επιβλέπων "Vrontos, Ioannis"

A B C D E F G H I J K L M N O P Q R S T U V W X Y Z
Α Β Γ Δ Ε Ζ Η Θ Ι Κ Λ Μ Ν Ξ Ο Π Ρ Σ Τ Υ Φ Χ Ψ Ω
Φιλτράρετε τα αποτελέσματα πληκτρολογώντας τα πρώτα γράμματα
Τώρα δείχνει 1 - 1 από 1
  • Μικρογραφία εικόνας
    Τεκμήριο
    Forecasting GDP growth series using advanced econometric models and machine learning techniques
    (2025-03-31) Καριντζή, Αναστασία; Karintzi, Anastasia; Pagratis, Spyridon; Zacharias, Eleftherios; Vrontos, Ioannis
    Η παρούσα διατριβή αποσκοπεί στη δημιουργία οικονομετρικών μοντέλων και μοντέλων μηχανικής μάθησης για την πρόβλεψη των τιμών της εξαρτημένης μεταβλητής, της αύξησης του πραγματικού ΑΕΠ των ΗΠΑ. Αρχικά, έχουμε 31 ανεξάρτητες μεταβλητές που περιέχουν τριμηνιαίες τιμές ξεκινώντας από το πρώτο τρίμηνο του 1992 έως το πρώτο τρίμηνο του 2024. Δημιουργήσαμε 33 μοντέλα, τα οποία βασίζονται σε προηγμένες οικονομετρικές μεθόδους και τεχνικές μηχανικής μάθησης και εξηγούνται λεπτομερώς στο κύριο μέρος της διατριβής. Οι μεθοδολογίες που χρησιμοποιήσαμε είναι οι εξής: Πολλαπλή γραμμική παλινδρόμηση, Ridge, Lasso, Elastic Net, παλινδρόμηση κύριων συνιστωσών (Principal Component Regression) (PCR), Μερικά Ελάχιστα Τετράγωνα (Partial Least Squares) (PLS), δέντρα παλινδρόμησης (Regression Trees), τυχαία δάση (Random Forests), Gradient Boosting Machines (GBM), Autoregressive Model (AR) και Autoregressive Moving Average Model (ARMA). Για να προβλέψουμε την εξαρτημένη μεταβλητή, την αύξηση του πραγματικού ΑΕΠ των ΗΠΑ, χρησιμοποιήσαμε αναδρομική πρόβλεψη εκτός δείγματος για να αξιολογήσουμε την απόδοση του μοντέλου και βρήκαμε τις τιμές πρόβλεψης για 3 ορίζοντες, 6 μήνες, 1 έτος και 2 έτη. Τα μοντέλα αξιολογήθηκαν μέσω μετρικών αξιολόγησης και σχετικών μετρικών, όπως το σχετικό μέσο τετραγωνικό σφάλμα πρόβλεψης (Relative Root Mean Squared Forecast Error - relRMSFE) και το Sign Success Ratio - SSR, για να εκτιμηθεί η κατευθυντική προβλεπτική ικανότητα των μοντέλων. Τα ευρήματα της παρούσας έρευνας καταδεικνύουν ότι το μοντέλο Ridge Regression αποδίδει καλύτερα για τον βραχυπρόθεσμο ορίζοντα, έχοντας χαμηλότερα σφάλματα πρόβλεψης και μεγαλύτερη ακρίβεια πρόβλεψης. Για τους μεσοπρόθεσμους και μακροπρόθεσμους ορίζοντες, το μοντέλο PLS με 14 συνιστώσες (PLS(14)) φαίνεται να είναι το πιο αξιόπιστο, αποκαλύπτοντας ανώτερες επιδόσεις στην ελαχιστοποίηση του σφάλματος πρόβλεψης. Οι τεχνικές μείωσης της διαστατικότητας, όπως η PCR και η PLS, είναι ιδιαίτερα αποτελεσματικές σε εκτεταμένους ορίζοντες, ενώ οι μέθοδοι κανονικοποίησης όπως η Ridge και η Lasso έχουν καλύτερα αποτελέσματα σε βραχυπρόθεσμες περιόδους. Η έρευνα αυτή υπογραμμίζει την αναγκαιότητα προσαρμογής της επιλογής του μοντέλου στον ορίζοντα και τους στόχους της πρόβλεψης. Συνδυάζοντας τεχνικές μηχανικής μάθησης με κλασικές και προηγμένες οικονομετρικές μεθοδολογίες, η παρούσα διατριβή δίνει πολύτιμες πληροφορίες για τη βελτίωση της ακρίβειας των μακροοικονομικών προβλέψεων και συμβάλλει στον αναδυόμενο τομέα της οικονομικής μοντελοποίησης με βάση τα δεδομένα.