Comparing the Performance of Linear and Non-Linear Models to Explain Almost Ideal Demand System

Subject Areas : Labor and Demographic Economics

Mohammad  Rezaei pour ¹ (عضو هیات علمی موسسه مطالعات و پژوهشهای بازرگانی)
Mehdi  Zolfaghari ² (دانشجوی دکتری اقتصاد دانشگاه تربیت مدرس)
mojtaba  yousefi dindarloo ³ (پژوهشگر دفتر مطالعات اقتصادی وزارت بازرگانی)
Abolfazl  Najarzadeh ⁴ (دانشجوی دکتری اقتصاد دانشگاه مفید)

Received: 2015-04-12 Accepted : 2015-04-12 Published : 2013-04-01

Keywords: Almost Ideal Demand System (AIDS), Seemingly Unrelated Regression (SURE), Feed forward Neural Network (MFNN),

Abstract :

In most of empirical studies based on almost ideal demand system (Aids), the elasticity of the price and income estimated by these equations resulted to some sensitive policy making recommendations in microeconomics and macroeconomics. It is in such a case that there is some doubt about reliability of linear estimation of such models. In this study, the performance of linear and non-linear almost ideal demand system is under the investigation. For this purpose, seemingly unrelated regression (SURE) method will be applied to estimate linear model and multilayered feed forward neural network (MFNN) is used to estimate a non-linear one. The results indicate that multilayered feed forward neural network is associated with less error than the linear model, and consequently, leads to a better estimation of almost ideal demand system. This result creates some hesitate on application of Stone price index for linear zing estimation of almost ideal demand system. Therefore, it is suggested that feed forward neural network will be applied to estimate almost ideal demand systems.

References:

منابع

-‌آذر، عادل، افسر، امیر(1385). مدل‌سازی پیش‌بینی قیمت سهام بارویکرد شبکه‌های عصبی فازی،پژوهش‌نامه بازرگانی، (40):33.

-‌ پیتکن، فیلیپ (1383). شبکه‌های عصبی (اصول وکارکردها)، مهدی غضنفری و جمال ارکات، تهران دانشگاه علم و صنعت، چاپ اول.

- کمیجانی، اکبر، سعادت‌فر، جواد(1385). کاربرد مدل‌های شبکه عصبی درپیش‌بینی ورشکستگی اقتصادی شرکت‌های بازار بورس. جستارهای اقتصادی، 3(6): 11-44.  

-نجارزاده، رضا، رضایی‌پور، محمد، آقایی خوندابی، مجید (1387). بررسی روند تعیین نرخ‌های بهینه مالیاتی در ایران با استفاده از رویکرد تحلیل کشش‌های تقاضا.فصلنامه پژوهشنامه اقتصادی، 13(31):219.

- طلوعی اشلقی ، عباس ، حقدوست، شادی(1386). مدل‌سازی پیش‌بینی قیمت سهام با استفاده از شبکه عصبی و مقایسه آن باروش‌های پیش‌‌بینی ریاضی، 25 (40):252-237.

-‌متوسلی، محمود، طالب کاشفی، بیژن (1385). بررسی مقایسه‌ای توان شبکه‌های عصبی با ورودی‌ شاخص‌های تحلیل تکنیکی برای پیش‌بینی قیمت سهام. دو ماهنامه نامه مفید، 1(45):82-57.

-‌ قدیمی، محمدرضا، مشیری سعید(1381). مدل‌سازی و پیش‌بینی رشد اقتصادی در ایران با استفاده از شبکه‌های عصبی مصنوعی، پژوهش‌های اقتصادی ایران ،4(12):97-125.

-مشیری، سعید(1380). پیش‌بینی تورم ایران با استفاده از مدل‌های ساختاری، سری‌های زمانی و شبکه‌های عصبی، تحقیقات اقتصادی، (58):147-184.

-مرزبان حسین، اکبریان رضا، جواهری بهنام(1384). یک مقایسه بین مدل‌های اقتصادسنجی ساختاری، سری زمانی و شبکه عصبی برای پیش‌بینی نرخ ارز(69):21-181.

-Buse.A. (1994). Evaluating the linearized almost ideal demand system.American Journal of Agricultural Economics, 76(4): 781-793.

-Deaton, A., & Muellbauer,J .(1980).An almost ideal demand system .American Economic Review, 70(3):312-326.

-Stone, J.R. (1954).Linear expenditure systems and demandanalysis:An application to the pattern of british demand.Economic Journal,64(225):511-527.

-Tomson,W.(2004).Using elasticities from an almost ideal demand system?Watch out for group expenditure! American Journal of Agricultural Economics, 86             (4):1108-1116

-White, H. (1998), Neural networks and financial economics. International Journal of Forecasting, 6 (17).

 

-Wadud, M. A. (2006). An analysis of meat demand in Bangladesh using the almost ideal demand system. Empirical Economics Letters, 5(1): 29-35.