Using time series methods to predict the value of agricultural output and some financial indicators affecting it in Iraq for the period (2021q1-2025q4)
Notice bibliographique
Résumé
The aim of the research is to predict the value of agricultural output and some fiscal policy variables using quarterly data from the first quarter of 2021 until the fourth quarter of 2025, through the application of different time series methods (random behavior, general trend, moving averages, simple exponential smoothing, Brown’s method In the exponential smoothing, ARIMA models) on each of the following variables (value of agricultural output, oil prices, government spending, GDP, agricultural investment, agricultural imports), and the results showed that ARIMA (1,0,1) model is the best A model for forecasting oil prices until the fourth quarter of 2025, and the results indicated that the general trend model is the best model for predicting the government spending variable until the fourth quarter of 2025, while the ARIMA (1,1,1) model was the model chosen to predict the variable GDP until the fourth quarter of 2025, as well as it became clear from the results that the best model used for prediction agricultural investment is the exponential smoothing model, while the ARIMA (2,0,4) model was the best model for forecasting agricultural imports until the fourth quarter of In 2025, the results also indicated that the best model that can be employed to predict the variable value of agricultural output is the quadratic trend model according to the predictive ability tests of different models..
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 | 0,010 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,004 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 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 ».