جستجوی مقالات مرتبط با کلیدواژه « رگرسیون چند متغیره » در نشریات گروه « اقتصاد »
تکرار جستجوی کلیدواژه «رگرسیون چند متغیره» در نشریات گروه «علوم انسانی»-
نظام بانکی کشور به عنوان متولی تامین بخشی از زیرساختارهای مورد نیاز تجارت الکترونیکی در گستره اقتصاد، یکی از نهادهای پیشرو در راه اندازی و کاربرد تجارت الکترونیکی است. به کارگیری فناوری اطلاعات و ارتباطات در صنعت بانکداری می تواند با حذف روش های سنتی هزینه بر منجر به کارایی بیشتر در انجام کارها و عملیات بانکی گردد. به رغم سرمایه گذاری های قابل توجه در این زمینه، روند توسعه ابزارها و زیرساخت های مورد نیاز تجارت الکترونیکی در بخش مالی بسیار کند و محدود است.
در این مقاله سعی شده است با تبیین مفاهیم مدیریت تغییر و یادگیری سازمانی، نقش آن در توسعه بانکداری الکترونیکی بررسی و تحلیل می شود. به منظور استخراج و تحلیل عامل های موثر در روند تغییر مدل کسب وکار بانک ها به مدل کسب وکار الکترونیکی، پس از تکمیل پرسش نامه ها و تحلیل آماری آنها، از تحلیل عامل اکتشافی برای بررسی های اولیه و پیش بینی نتایج نهایی و رگرسیون چند متغیر گام به گام به منظور و تبیین اعتبار مدل پیشنهادی استفاده شده است. براساس یافته های این پژوهش سطح استفاده از قابلیت ها و زیرساختارهای بانکداری الکترونیکی و در عین حال به کارگیری عناصر مدیریت تغییر و یادگیری سازمانی در بانک های ایرانی بسیار کمتر از حد مطلوب است.
کلید واژگان: بانکداری الکترونیکی, مدل کسب وکار الکترونیکی, مدیریت تغییر سازمانی, یادگیری سازمانی, رگرسیون چند متغیره}Banking system plays a critical role in transmitting and developing infrastructures of e-Commerce in economy. Information and communication technology can make a significant contribution to supporting the development of e-Commerce and improving the efficiency of banking system in Iran. The objective of this study is to examine the organizational factors affecting the development of e-Banking in Iran. This paper uses the variables screening technique based on the stepwise multiple regression. Moreover, a questionnaire is designed to collect data. Based on the results of this study, the main determinants of the e-Commerce development include technical staff, organizational innovation, research and development, and efficient management.Keywords: Organization, e, Banking, Stepwise Multiple Regression, Path Analysis, Iran} -
در این مقاله با استفاده از اطلاعات سری زمانی قیمت و بازده سهام چند شرکت در بازار بورس تهران، به پیش بینی قیمت سهام و نیز ارائه مدل بهینه پرداخته می شود. روش های پیش بینی مورد استفاده در تحقیق، به سه دسته تقسیم شده اند: روش های پیش بینی براساس مدلهای خطی (کوتاه مدت و بلندمدت)، روش های پیش بینی براساس مدلهای غیرخطی (شبکه های عصبی غیرخطی) و مدل شبکه عصبی با ساختار پیشنهادی، در هر مورد نتایج به دست آمده رسم شده اند. با استفاده از پیش پردازش های اشاره شده، نشان داده می شود که قیمت و بازده سهام (درهر 6 سهم مربوط به صنایع مختلف) از نگاشتهای پیچیده غیرخطی و آشوبگرانه به وجود آمده اند و اساسا از روش های غیرخطی شبکه های عصبی به خودی خود و به شکل متعارف بهبود قابل ملاحظه ای را به دنبال ندارد. با ارائه پیشنهاد ساختار جدید، می توان قیمت و بازده را به خوبی در دو حالت پیش بینی روز بعد و پیش بینی سی روز بعد تخمین زد.
کلید واژگان: پیش بینی, شبکه های عصبی, رگرسیون چند متغیره, تخمین, مدلسازی, سری زمانی, قابلیت پیش بینی, تحلیل های غیر خطی سری های زمانی, فرآیند های تصادفی, فرآیند های آشوب, بعد فرکتالی, شبکه های عصبی}Forecasting Methods Evaluation of Stock Prices and Proposing a Nonlinear Model using Neural NetworksIn this paper, we deal with several time series of share prices and daily returns of different companies which are members of Tehran Stock Exchange. Three prediction methods are used for time series forecasting. The first method is based on the linear models (ARIMA) for short-term and long-term forecasting. The second method is based on the nonlinear neural networks model and the third method is a neural networks model with a special structure. It has been shown that the time series generator process of these companies are complex nonlinear mappings and the methods based on the various linear modelling strategies are unable to identify these dynamics. Also, it has been shown by using the conventional structure of the nonlinear neural networks that one can not obtain a satisfactory result for long term forecasting. Finally, it is shown that the proposed structrure provides accurate next step and the long term share prices and daily returns forecasting.Keywords: Linear models, Time series forecasting, Modeling, Forecastability, Nonlinear time series analysis, Chaotic processes, Artificial neural networks} -
در إین مقاله با استفاده از اطلاعات سری زمانی قیمت و بازده سهام چند شرکت در بازار بورس تهران، به پیش بینی قیمت سهام و نیر ارائه مدل بهینه پرداخته می شود. روش های پیش بینی مورد استفاده در تحقیق، به سه دسته تقسیم شده اند: ر و شهای پیش بینی براساس مدلهای خطی (کوتاه مدت و بلندمدت)، روش های پیش بینی براساس مدلهای غیرخطی (شبکه های عصبی غیرخطی) و مدل شبکه عصبی با ساختار پیشنهادی. در هر مورد نتایج به دست آمده رسم شده اند. با استفاده از پیش پردازش های اشاره شده، نشان داده می شودکه قیمت و بازده سهام (در هر 6 سهم مربوط به صنابع مختلف) از نگاشهای پیچیده غیر خطی و آشوبگرانه به وجود آمده اند و اساسآ استفاده از انواع مختلف روش های خطی صحیح نمی باشد. همچنین نشان داده می شودکه استفاده از روش های غیرخطی شبکه های عصبی به خودی خود و به شکل متعارف بهبود قابل ملاحظه ای را به دنبال ندارد. با ارائه پیشنهاد ساختار جدید، می توان قیمت و بازده را به خوبی در دو حالت پیش بینی روز بعد و پیش بینی سی روز بعد تخمین زد.
کلید واژگان: سریهای زمانی, پیش بینی, پیش بینی ترکیبی, شبکه های عصبی مصنوعی, رگرسیون چند متغیره}In this research, combined forecasting is considered. This model is a new approach that is used in two recent decades and indicates considerable error reduction in forecasted numbers. In this study, at first, forecasting was done with some different methods that named individual methods.These models consist of exponential smoothing methods, trend analysis, box-jenkins, causal analysis and neural network model. The results of these individual, forecasting methods (some selected model) are combined and compared with artificial neural network and multiple regression models. Used data consist of OPEC oil demand from 1960 to 2002 as dependent variable, price, GDP, other energy demand, population and added value in industry as independent variables. In mono-variable methods only dependent variable is entered. Data of 1960-1996 are used for all variables and testing. The data is put under observation between 1996 to 2002. Computed MSE, MAPE, CAPE indexes show considerable reduction in errors of forecasting.Keywords: Macroeconomic Forecasting, Time Series, Neural Network, Mixed Forecasting}
نکته
- نتایج بر اساس تاریخ انتشار مرتب شده‌اند.
- کلیدواژه مورد نظر شما تنها در فیلد کلیدواژگان مقالات جستجو شده‌است. به منظور حذف نتایج غیر مرتبط، جستجو تنها در مقالات مجلاتی انجام شده که با مجله ماخذ هم موضوع هستند.
- در صورتی که می‌خواهید جستجو را در همه موضوعات و با شرایط دیگر تکرار کنید به صفحه جستجوی پیشرفته مجلات مراجعه کنید.
©2000-2024 magiran.com All Rights Reserved.