Download Đề tài Dự báo tốc độ tăng trưởng kinh tế Việt Nam- Sự vượt trội của mô hình Mạng thần kinh nhân tạo (ANN) so với mô hình Hồi quy tuyến tính truyền thống miễn phí



MỤC LỤC
PHẦN MỞ ĐẦU . 1
Chƣơng 1: GIỚI THIỆU . 2
1.1. Mô hình Mạng thần kinh nhân tạo và công tác dự báo . 2
1.2. Lược khảo các nghiên cứu trước đây . 3
1.3. Mục tiêu của bài nghiên cứu . 7
Chƣơng 2: MÔ HÌNH MẠNG THẦN KINH NHÂN TẠO . 9
2.1. Đặc điểm của Mạng thần kinh nhân tạo . 9
2.1.1. Nơ-ron sinh học . 9
2.1.2. Nơ-ron nhân tạo . 11
2.1.3. Mạng thần kinh nhân tạo . 13
2.2. Các dạng mô hình Mạng thần kinh nhân tạo . 14
2.2.1. Mạng thần kinh truyền thẳng . 14
2.2.1.1. Mạng thần kinh truyền thẳng đơn giản nhất . 14
2.2.1.2. Mạng thần kinh truyền thẳng đa lớp . 15
2.2.1.3. Mạng thần kinh bổ sung . 17
2.2.2. Mạng thần kinh nhân tạo hồi tiếp . 18
2.2.2.1. Mạng thần kinh hồi tiếp Jordan . 19
2.2.2.2. Mạng thần kinh hồi tiếp Elman . 19
2.3. Huấn luyện Mạng thần kinh nhân tạo . 20
2.3.1. Quá trình học của Mạng thần kinh . 20
2.3.2. Các phương pháp học . 20
2.3.2.1. Học theo tham số . 20
2.3.2.2. Học cấu trúc . 22
2.3.3. Hàm truyền . 22
2.3.4. Thuật toán truyền ngược . 26
2.3.4.1. Điều chỉnh trọng số của Mạng thần kinh . 28
2.3.4.2. Nguyên tắc giảm độ dốc . 29
2.3.4.3. Truyền ngược sai số . 30
2.4. Các vấn đề của mô hình Mạng thần kinh nhân tạo . 34
2.4.1. Tổng quát hóa và học quá mức . 34
2.4.2. Thủ tục ngừng đúng lúc . 35
2.5. Ưu điểm và khuyết điểm của mô hình Mạng thần kinh nhân tạo . 37
2.5.1.Ưu điểm . 37
2.5.2. Khuyết điểm . 38
2.6. So sánh mô hình Mạng thần kinh nhân tạo và mô hình hồi quy tuyến tính . 39
Chƣơng 3: XÂY DỰNG MÔ HÌNH DỰ BÁO TỔNG SẢN PHẨM QUỐC NỘI
(GDP) CỦA VIỆT NAM . 41
3.1. Dữ liệu . 41
3.1.1. Giải thích biến . 43
3.1.2. Kỳ vọng về dấu . 46
3.2. Xây dựng mô hình Hồi quy tuyến tính truyền thống cho dự báo tốc độ tăng
trưởng GDP Việt Nam . 47
3.3. Xây dựng mô hình Mạng thần kinh nhân tạo để dự báo tốc độ tăng trưởng Tổng
sản phẩm quốc nội (GDP) của Việt Nam . 50
3.3.1. Quy trình xây dựng mô hình Mạng thần kinh nhân tạo . 50
3.3.1.1. Lựa chọn các biến số và thu thập dữ liệu . 50
3.3.1.2. Tiền xử lý dữ liệu . 51
3.3.1.3. Lựa chọn các thông số cho mô hình . 54
3.3.1.4. Tiến hành thực hiện xây dựng mô hình . 57
3.3.1.5. Dự báo và phân tích kết quả . 58
3.3.2. Xây dựng mô hình Mạng thần kinh nhân tạo một cách độc lập để dự báo tốc
độ tăng trưởng GDP . 59
3.3.3. Xây dựng mô hình Mạng thần kinh nhân tạo với sự hỗ trợ từ mô hình hồi
quy tuyến tính truyền thống . 62
Chƣơng 4: KẾT QUẢ DỰ BÁO VÀ KẾT LUẬN . 67
4.1 So sánh kết quả dự báo tốc độ tăng trưởng GDP Việt Nam của các mô hình . 67
4.2 Kết luận . 72
PHẦN KẾT LUẬN . 73
PHỤ LỤC . 74
TÀI LIỆU THAM KHẢO . 94


/tai-lieu/de-tai-ung-dung-tren-liketly-31776/
++ Ai muốn tải bản DOC Đầy Đủ thì Trả lời bài viết này, mình sẽ gửi Link download cho!

Tóm tắt nội dung:

mặt sai số này.
Trong mạng tuyến tính có hàm sai số, bề mặt sai số là parabol, tức là có một giá trị
nhỏ nhất. Do đó, chúng ta dễ dàng xác định giá trị cực tiểu. Đối với mô hình Mạng
thần kinh, thật khó xác định được vị trí có giá trị nhỏ nhất của bề mặt sai số hay khó
xác định được điểm tối thiểu hóa toàn cục.
Nhược điểm thứ ba của mô hình Mạng thần kinh nhân tạo là yêu cầu kích cỡ mẫu lớn.
Một mô hình Mạng thần kinh nhân tạo có thể đòi hỏi một số lượng lớn các trọng số.
Trong khi đó, nếu mẫu dữ liệu quá nhỏ đưa đến một số lượng có giới hạn của các biến
39
số đầu vào, làm xảy ra tình trạng khít quá mức ngay cả khi thủ tục ngừng đúng lúc được
sử dụng. Thực tế, thủ tục dừng đúng lúc có thể làm gia tăng tình trạng khít quá mức vì
nó yêu cầu mẫu chia làm ba phần, làm cho số lượng quan sát trong tập huấn luyện dùng
để ước lượng càng bị giới hạn. Nhược điểm này thường gặp trong việc dự báo các biến
số kinh tế vĩ mô vì số lượng dữ liệu khá hạn chế, đặc biệt là dự báo theo theo quý. Tuy
nhiên, có một vài nghiên cứu cho rằng việc dự báo các biến kinh tế vĩ mô cũng có thể
đạt được một số thành công nhất định khi sử dụng kích cỡ mẫu tương đối nhỏ. Vì thế,
yêu cầu kích cỡ mẫu lớn không nên xem là vấn đề không thể khắc phục được.
Cuối cùng, việc xây dựng một cấu trúc mô hình Mạng thần kinh nhân tạo phù hợp sẽ
mất rất nhiều thời gian. Các mô hình Mạng thần kinh nhân tạo không chỉ lựa chọn bộ
dữ liệu mà còn phải xác định cấu trúc mô hình cho kết quả dự báo chính xác nhất. Để
tìm ra cấu trúc tốt nhất, các nhà nghiên cứu phải thực hiện phương pháp thử và sai.
Các nhà nghiên cứu phải tiến hành chọn lựa dạng mạng, các biến đầu vào, thay đổi các
giá trị ban đầu của trọng số, số lớp nơ-ron ẩn, số lượng nơ-ron ẩn trong mỗi lớp, dạng
hàm truyền, các thông số của mô hình như kích thước bước, động lượng,… để tìm ra
mạng có MSE nhỏ nhất. Việc này đòi hỏi nhà nghiên cứu phải thực hiện hàng trăm,
hàng nghìn lần. Sau khi tìm được cấu trúc tốt nhất, nhà nghiên cứu phải tiếp tục thực
hiện hàng trăm lần bằng cách thay đổi những giá trị ban đầu của các trọng số với hy
vọng tìm ra điểm tối thiểu hóa toàn cục. Do đó, việc xây dựng cấu trúc của một mô
hình Mạng thần kinh nhân tạo tốn rất nhiều thời gian. Trên thực tế, các nhà nghiên cứu
có thể rút ngắn thời gian xây dựng mô hình nhờ mô hình hồi quy tuyến tính hỗ trợ cho
việc lựa chọn các biến đầu vào.
2.6. So sánh mô hình Mạng thần kinh nhân tạo và mô hình Hồi quy tuyến tính
Như đã trình bày ở các phần trên, mô hình Hồi quy tuyến tính thể hiện mối quan hệ
chính xác giữa biến đầu vào và đầu ra, còn mô hình Mạng thần kinh không giải thích
chính xác mối quan hệ giữa chúng. Tuy nhiên, mô hình Mạng thần kinh đơn giản nhất
(mạng gồm một lớp đầu vào và một lớp đầu ra) có hàm kích hoạt xác định tương tự
như mô hình Hồi quy tuyến tính. Các nơ-ron đầu vào tương tự như các biến số độc lập,
các nơ-ron đầu ra là các biến số phụ thuộc. Các trọng số của mô hình Mạng thần kinh
nhân tạo giống như các hệ số ước lượng của mô hình hồi quy và độ lệch tương tự như
hệ số chặn.
Với mô hình Hồi quy tuyến tính, các nhà nghiên cứu xây dựng dạng hàm trên cơ sở đã
biết trước mối quan hệ giữa biến phụ thuộc và các biến độc lập của dạng hàm đó.
Ngược lại, mô hình Mạng thần kinh không được biết về những mối quan hệ giữa các
biến của dạng hàm, mà chủ yếu là để dữ liệu xác định dạng hàm. Như vậy, Mạng thần
40
kinh nhân tạo phù hợp khi nhà nghiên cứu không có bất kỳ ý tưởng nào về dạng hàm
của mối quan hệ giữa những đầu vào và đầu ra. Nhưng, nếu dạng hàm được biết, mô
hình hồi quy là phù hợp hơn.
Vì mô hình Mạng thần kinh được xem như một “hộp đen”. Không ai biết điều gì xảy
ra trong hộp đen đó, nó vượt ngoài tầm kiểm soát của người xây dựng mô hình. Do đó,
các nhà kinh tế học e ngại việc sử dụng mô hình Mạng thần kinh như là một công cụ
thống kê thay thế trong việc dự báo các biến kinh tế. Bên cạnh đó, việc xây dựng cấu
trúc mô hình Mạng thần kinh cũng khá phức tạp và mất rất nhiều thời gian. Nên các
nhà nghiên cứu thường sử dụng mô hình Hồi quy tuyến tính hỗ trợ cho việc chọn biến
đầu vào cho mô hình. Vì vậy, mô hình Mạng thần kinh nhân tạo nên được xem như là
sự bổ sung mạnh mẽ cho các mô hình kinh tế chuẩn chứ không phải là sự thay thế.
Đặc biệt, khi đặt trong mối liên hệ với các mô hình Hồi quy tuyến tính, mô hình Mạng
thần kinh nhân tạo có thể trở nên hiệu quả hơn hay cho kết quả dự báo chính xác hơn.
41
Chƣơng 3
XÂY DỰNG MÔ HÌNH DỰ BÁO TỐC ĐỘ TĂNG TRƢỞNG
TỔNG SẢN PHẨM QUỐC NỘI (GDP) CỦA VIỆT NAM
Dữ liệu
Xây dựng mô hình Hồi quy tuyến tính truyền thống
Xây dựng mô hình Mạng thần kinh nhân tạo
Trong chương này, bài nghiên cứu sẽ tiến hành thực hiện xây dựng mô hình dự báo
tốc độ tăng trưởng GDP Việt Nam bao gồm một quá trình từ thu thập, phân tích và
điều chỉnh dữ liệu cho đến việc xây dựng mô hình để dự báo bằng cả mô hình Hồi quy
tuyến tính truyền thống và mô hình Mạng thần kinh nhân tạo. Vì mô hình Hồi quy
tuyến tính truyền thống là một mô hình đã rất phổ biến nên bài nghiên cứu sẽ đặt
trọng tâm cho việc xây dựng mô hình Mạng thần kinh nhân tạo, một mô hình còn khá
mới mẻ. Đặc biệt, trong chương này bài nghiên cứu cũng đã thực hiện xây dựng mô
hình Mạng thần kinh nhân tạo dựa trên kết quả của mô hình Hồi quy tuyến tính như là
một ý tưởng nhằm nâng cao hiệu quả, tiết kiệm thời gian và chi phí so với việc xây
dựng mô hình Mạng thần kinh nhân tạo độc lập. Tất cả kết quả thu được từ các mô
hình sẽ được so sánh ở chương sau để tìm ra mô hình dự báo tốt nhất.
3.1. Dữ liệu
Để xây dựng mô hình dự báo tốc độ tăng trưởng GDP Việt Nam hàng quý cho mục
tiêu dự báo mang tính ngắn hạn, chúng tui chỉ cân nhắc các biến kinh tế được công bố
hàng tháng hay sớm hơn. Các chuỗi dữ liệu này sau đó được chuyển đổi sang dữ liệu
hàng quý. Do giới hạn về khả năng tiếp cận dữ liệu nên mẫu dữ liệu được sử dụng để
xây dựng mô hình dự báo GDP bằng mô hình hồi quy tuyến tính và mô hình mạng
thần kinh nhân tạo chỉ giới hạn từ Quý 1 năm 2000 đến Quý 4 năm 2010 với 44 quan
sát cho mỗi biến, ngoại trừ biến tỷ giá chỉ có 40 quan sát trong giai đoạn từ Quý 1 năm
2001 đến Quý 4 năm 2010. Trong đó, 40 quan sát đầu tiên (hay còn được gọi là dữ
liệu trong mẫu) được dùng để xây dựng hàm dự báo và 4 quan sát còn lại - từ Quý 1
năm 2010 đến Quý 4 năm 2010 được dùng để kiểm tra dự báo ngoài mẫu. Sau khi
thực hiện điều chỉnh dữ liệu nhằm xây dựng các chuỗi dữ liệu có tính dừng, loại bỏ
yếu tố mùa vụ và xu thế, mẫu dữ liệu cuối cùng của chúng tui còn lại 35 quan sát cho
mỗi biến bắt đầu từ Quý 2 năm 2001 đến Quý 4 năm 2009.
42
Bảng sau liệt k...

---