@article { author = {Isapareh, Masoud and Iranpanah, Nasrollah and Kaedi, Marjan}, title = {Comparison of the bootstrap and bootstrap neural network methods in non linear time series}, journal = {Journal of Advanced Mathematical Modeling}, volume = {4}, number = {1}, pages = {85-106}, year = {2014}, publisher = {Shahid Chamran University of Ahvaz}, issn = {2251-8088}, eissn = {2645-6141}, doi = {}, abstract = {Neural networks are among those mathematical models which are used to model non-linear time series with high accuracy. The advantage with these linear times series as opposed to topical ones is that they don’t require restrictive assumptions. The accuracy of neural network based estimators as nonparametric models is of high importance. In that light, we can use bootstrapping to calculate the accuracy of estimators in the time series’ complex nonlinear structures. Though introduced in recent years these methods yield more accurate results in the bias calculation of estimators compared to the other ones. This paper introduces neural network bootstrap, bootstrap autoregressive, moving block bootstrap method and residual bootstrap methods in time series. Then these four algorithms are compared with each other in a simulation study. Finally an example related to Iran’s kerosene price monthly data is worked out.}, keywords = {Artificial neural network,Auto regregressive bootstrap,Residual bootstrap,Moving block bootstrap,Nonlinear time series,Monte Carlo}, title_fa = {مقایسه روش‌های خودگردان و شبکه عصبی خودگردان در سری-های زمانی غیرخطی}, abstract_fa = {شبکه‌های عصبی مصنوعی‏، از جمله مد‎ل‎های ریاضی جدیدی هستند که با دقت بالا به مد‏‎ل‎بندی ساختار سر‏ی‌های زمانی غیرخطی می‌پردازند. مزیت این مدل‌ها در مقایسه با مدل‌های سری زمانی این است که نیاز به فرضیات محدود کننده نمی‌باشد. دقت برآوردگرهای حاصل از شبکه عصبی به عنوان یک مدل ناپارامتری از مسائل مهم می‌باشد. برای این منظور با استفاده از روش‌های خودگردان، می‌توان دقت برآوردگرها را در ساختارهای پیچیده و غیرخطی سری‌های زمانی محاسبه کرد. این روش‌ها که در سال‌های اخیر معرفی شده‌اند، در محاسبه اریبی و واریانس برآوردگرها، در مقایسه با سایر روش‌ها از دقت بالاتری برخوردار هستند. در این مقاله ابتدا به معرفی الگوریتم‌های شبکه عصبی خودگردان، خودگردان اتورگرسیو، خودگردان بلوک متحرک و خودگردان مانده‌ها در سری‌های زمانی پرداخته می‌شود. سپس این چهار الگوریتم در یک مطالعه شبیه‌سازی برای مدل‌های اتورگرسیو، اتورگرسیو نمایی، اتورگرسیو آستانه‌ای خودمحرک و اتورگرسیو تغییر وضعیت هموار برای اندازه دقت برآورد واریانس استاندارد شده سه برآوردگر میانگین، اتوکوواریانس مرتبه صفر(واریانس) و اتوکوواریانس مرتبه یک، مورد مقایسه قرار می‌گیرند. در نهایت با استفاده از داده‌های قیمت نفت سنگین ایران به ارائه یک مثال کاربردی پرداخته می‌شود.}, keywords_fa = {شبکه عصبی مصنوعی,خودگردان اتورگرسیو,خودگردان مانده‌ها,خودگردان بلوک متحرک,سری ‌زمانی غیرخطی,شبیه‌سازی مونت کارلو}, url = {https://jamm.scu.ac.ir/article_11046.html}, eprint = {https://jamm.scu.ac.ir/article_11046_8cee2eb66efa288bef544c98a6ba8ae1.pdf} }