DATA FORECASTING ANALYSIS OF GROSS REGIONAL DOMESTIC PRODUCT (PDRB) AS A REJECT MEASURE OF ECONOMIC PERFORMANCE OF BANGKA BELITUNG ISLANDS PROVINCE
Notice bibliographique
Résumé
Gross Regional Domestic Product (GDP) is the total number of products in the form of goods and services produced by production units within the boundaries of a country (domestic) for one year which is one important indicator to know the condition of an area within a certain period either at current or at constant prices. This research briefly wants to know the value or prediction (forecasting) from data of Gross Regional Domestic Product (PDRB) of Bangka Belitung Islands Province for the preventing action related to policy type which will be done by the decision maker. The method of forecasting used in this research is ARIMA method with the utilization of software R in the form of the value of significant t-test and by using parsimony principle consisting of two methods combined into one, namely AR (Autoregressive) and MA (Moving Average). This ARIMA model in its application is often written with ARIMA (p, d, q) whose descriptions p, d, q are the same as the previous ones. This method uses an iterative approach to the identification of an existing model. It can be seen that historical data have forecasting results that tend to have an uptrend as evidenced by the Q Ljung-Box test and ACF / PACF plot of data with the assay results that the residuals of the ARIMA model (1,1,0) are good models evidenced by plots ACF that there is no lag out of the interval line with the forecasting result that has the trend up from the third quarter of 2013 ie 11.028.917, 11.223.615, 11.360.718, 11.456.826, 11.523.985 and 11.570. 813. The results of this forecasting can certainly be applied for n years to come.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,003 |
| Science ouverte | 0,005 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».