@article { author = {Abrishami, Hamid and mehrara, mohsen and Ahrari, Mehdi and Mirghasemi, Soude}, title = {Forecasting the GDP in Iran Based on GMDH Neural Network}, journal = {Journal of Economic Research (Tahghighat- E- Eghtesadi)}, volume = {44}, number = {3}, pages = {-}, year = {2010}, publisher = {University of Tehran}, issn = {0039-8969}, eissn = {2588-6118}, doi = {}, abstract = {This study employs a GMDH neural network model, which has high capability in recognition of complicated non-linear trends especially with small samples, for modeling and predicting Iranian GDP growth. First a fundamental model containing 7 independent variables together with dependent variable is designed and then by using deductive process and omission of one variable at a time, a total of 18 models are estimated. The results shows that omission of total export growth, oil export growth and trading volume growth variables from the fundamental model have the most impact in terms of reducing prediction errors. Moreover, the effect of government expenditure growth on the objective variables confirms recent researches in oil rich countries. In the end, it is shown that the GMDH neural network has better predictive power than ARIMA method in prediction GDP growth based on error criteria. JEL Classification: C22, C45, C53, O41}, keywords = {Deductive process,forecasting,Fundamental methods,GDP growth,GMDH Neural Network}, title_fa = {الگوسازی و پیش‎بینی رشد اقتصادی ایران با رویکرد شبکة عصبی GMDH}, abstract_fa = {در این مقاله از شبکة عصبی GMDH، به‎عنوان ابزاری با قابلیت بالا در مسیریابی و تشخیص روند‎های غیرخطی پیچیده، به‎ویژه با تعداد مشاهدات محدود، برای الگوسازی و پیش‎بینی رشد تولید ناخالص داخلی به قیمت ثابت در ایران استفاده شده است. ابتدا الگویی بنیادی شامل 7 متغیر همراه با وقفة اول رشد تولید ناخالص داخلی طراحی و سپس با استفاده از فرآیند قیاسی و نیز کنارگذاشتن هر متغیر از الگوی بنیادی، در مجموع 18 مدل اجرا شد. نتایج نشان داد الگو‎های حاصل از کنار گذاشتن رشد صادرات کل، رشد صادرات نفت و رشد حجم تجارت از الگوی بنیادی، به ترتیب بیش‎ترین سهم را در کاهش خطای پیش‎بینی دارا هستند. هم‎چنین اثر مضاعف رشد هزینه‎های دولت بر متغیر هدف، مؤید نتایج مطالعات اخیر در کشورهای در حال توسعة نفتی است. برتری شبکة عصبی GMDH در دقت پیش‎بینی رشد اقتصادی نسبت به روش ARIMA، بر اساس معیارهای خطا نیز مورد تأئید قرار گرفت. طبقه‎بندی JEL : C22, C45, C53, O41}, keywords_fa = {Deductive process,forecasting,Fundamental methods,GDP growth,GMDH Neural Network}, url = {https://jte.ut.ac.ir/article_20036.html}, eprint = {https://jte.ut.ac.ir/article_20036_e06fff0040c35b5b7ca175b8959a30a9.pdf} }