ترجمه فارسی عنوان مقاله
پیش بینی تورم در زمان واقعی با مدل های بعدی: مورد برزیل
عنوان انگلیسی
Real-time inflation forecasting with high-dimensional models: The case of Brazil
کد مقاله | سال انتشار | تعداد صفحات مقاله انگلیسی | ترجمه فارسی |
---|---|---|---|
137124 | 2017 | 15 صفحه PDF | سفارش دهید |
دانلود فوری مقاله + سفارش ترجمه
نسخه انگلیسی مقاله همین الان قابل دانلود است.
هزینه ترجمه مقاله بر اساس تعداد کلمات مقاله انگلیسی محاسبه می شود.
این مقاله تقریباً شامل 11488 کلمه می باشد.
هزینه ترجمه مقاله توسط مترجمان با تجربه، طبق جدول زیر محاسبه می شود:
شرح | تعرفه ترجمه | زمان تحویل | جمع هزینه |
---|---|---|---|
ترجمه تخصصی - سرعت عادی | هر کلمه 70 تومان | 18 روز بعد از پرداخت | 804,160 تومان |
ترجمه تخصصی - سرعت فوری | هر کلمه 140 تومان | 9 روز بعد از پرداخت | 1,608,320 تومان |
پس از پرداخت، فوراً می توانید مقاله را دانلود فرمایید.
منبع

Publisher : Elsevier - Science Direct (الزویر - ساینس دایرکت)
Journal : International Journal of Forecasting, Volume 33, Issue 3, JulyâSeptember 2017, Pages 679-693
ترجمه کلمات کلیدی
پیش بینی تورم در زمان واقعی، بازارهای نوظهور، انقباض، مدل های فاکتور، کمند، درختان رگرسیون، جنگل های تصادفی، رگرسیون زیر مجموعه کامل، فراگیری ماشین، اعتماد به نفس مجموعه مدل، ترکیب پیش بینی، پیش بینی کارشناسان،
کلمات کلیدی انگلیسی
Real-time inflation forecasting; Emerging markets; Shrinkage; Factor models; LASSO; Regression trees; Random forests; Complete subset regression; Machine learning; Model confidence set; Forecast combination; Expert forecasts;
ترجمه چکیده
ما نشان می دهیم که مدل های اقتصادسنجی با ابعاد بزرگ مانند انقباض و رگرسیون زیر مجموعه کامل، در پیش بینی تورم در زمان واقعی در محیط های غنی از اطلاعات بسیار خوب عمل می کنند. از تورم برزیل به عنوان یک برنامه استفاده می کنیم. مثلا یک نمونه ایده آل است، زیرا دارای نوسانات کوتاه مدت است و عوامل متعددی برای پیش بینی رفتار کوتاه مدت خود منابع زیادی را اختصاص می دهند. بنابراین، پیش بینی های دقیق توسط متخصصان هر دو به عنوان یک معیار و به عنوان یک رژلب نامزد مهم برای مدل های پیش بینی در دسترس هستند. علاوه بر این، ما پیش بینی ها را بر اساس مجموعه های اطمینان مدل ترکیب می کنیم و نشان می دهد که ترکیب مدل می تواند عملکرد پیش بینی های برتر را به دست آورد.