Forecasting Philippines imports and exports using Bayesian artificial neural network and autoregressive integrated moving average
Notice bibliographique
Résumé
In this research, Autoregressive Integrated Moving Average (ARIMA) and Bayesian Artificial Neural Network (BANN) were used in forecasting the imports and exports of the Philippines and the comparison of two models are one of the main objective of this research. The data were gathered from Philippines Statistical Authority with a total of 100 observations from the first quarter of 1993 to fourth quarter of 2017. Furthermore, it can be determined in this research the best fit among the models in forecasting the imports and exports of the Philippines and the researchers will give the forecast values of imports and exports from the first quarter of year 2018 to the fourth quarter of year 2022 using the most fitted model. The researchers conducted a Statistical test in order to formulate and compare the statistical models of ARIMA and BANN for imports and exports then applied the forecasting accuracy such as MSE, NMSE, MAE, RMSE, and MAPE to compare the performance of the two models. By comparing the results, the researchers concluded that Bayesian Artificial Neural Network is the most fitted model in forecasting the imports and export of the Philippines. Upon using the Paired T-test, the p-value for both imports and exports are greater than the level of significance (α = 0.01) which means that there is no significant difference between actual and predicted values for both imports and exports of the Philippines. This study could help the economy of the Philippines by considering the forecasted Imports and Exports which can be used in analyzing the economy’s trade deficit.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 source (Gemma direct ou Codex distillé), 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 ».