Modelling of natural growth with memory effect in economics: An application of adomian decomposition and variational iteration methods
Notice bibliographique
Résumé
The power-law memory effect is taken into consideration in a generalisation of the economic model of natural growth. The memory effect refers to a process's reliance on its current state and its history of previous changes. However, the study that focuses on natural growth in economics considering the memory effect with fractional order-linear differential equation model is still limited. The current investigation seeks to solve the natural growth with memory effect in the economics model and decide the best model using fractional differential equation (FDE), namely Adomian Decomposition and Variational Iteration Methods. Also, this study assumes the level of consumer loss memory during a certain time interval denoted by a parameter (α). This study showed the model of loss memory effect with 0 < α ≤ 1 given a slowdown in output growth compared to a model without memory effect. Besides that, this study also found that output Y(t) is growing faster with the Variational Iteration method compared to the Adomian decomposition method. Also, using graphical simulation, this study found the output Y(t) is closer to the exact solution with α=0.4 and α=0.9. In conclusion, this study successfully solved natural growth with memory effect in economics and decided the best model between FDE, namely Adomian decomposition and Variational iterative methods using numerical analysis.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».