K
yoki
2
K
)ga tegishli obyektlar navlar bo‘lsin. Aniqlangan
k
X
alomatlar
bo‘yicha qurg‘oqchilikka chidamlilik indeksi
k
X
S
F
,
funksionalning qiymati bilan
aniqlanadi [4].
To‘plamdagi miqdoriy va nominal alomatlarni mos ravishda
I
va
J
lar bilan
belgilaymiz. Tavsiflanayotgan obyektlarga mos alomatlar
n
x
x
n
X
,...,
1
lar uchun
n
J
I
ko‘rinishda bo‘ladi. Agar
J
to‘plam bo‘lsa, qaralayotgan obyektlarga
tegishli alomatlar faqat miqdoriy deb hisoblanadi. Bu holda har bir obyekt uchun yaqinlik
o‘lchovini hisoblashda Xemming metrikasidan foydalanish mumkin bo‘ladi.
Obyektning lokal metrikasi bo‘yicha vaznni hisoblash
dn
d
d
x
x
S
,...,
1
,
0
d
t
S
K
E
,
1, 2
t
bilan amalga oshiriladi. Bu yerda har bir alomat
j
x
,
j
I
bo‘lib u quyidagicha
ifodalanadi.
dj
j
x
x
bo‘lib bunda
d
S
va
1
,...,
n
S
x
x
,
1,
m
bo‘ladi hamda
obyektlarni 2 ta
0
1
1
2
,
;
,
c c
c c
intervalga ajratadi. Bu yerda
0
0
c
va
dj
j
E
S
x
x
c
0
max
2
.
1
c
ning qiymatini aniqlashda qaralayotgan alomatga tegishli bo‘lgan
har bir qiymat
dj
j
x
x
farqqa ko‘ra
t
K
yoki
t
K
3
ga asoslanib aniqlanadi.
1
2
1
1
,
u u
1
2
2
2
,
u u
lar
2
1
K
K
sinflarga tegishli tegishli bo‘lgan
dj
j
x
x
ayirmaning
qiymatiga mos sonlar bo‘lib,
0
1
1
2
,
;
,
c c
c c
intervalni aniqlovchi bo‘lsin. Bunda
2
1
0
,
,
a
a
a
A
,
0
2
1,
,
a
a
m
1
a
esa o‘sish bo‘yicha tartiblangan
m
j
j
r
r
,...,
1
ketma-
ketlikdagi elementning tartib nomeri bo‘lib,
dj
j
x
x
ayirmaning qiymatiga ko‘ra
0
E
to‘plamda
1
1
a
r
c
,
0
E
K
m
t
t
interval chegaralarini aniqlaydi.
155
d
S
obyekt uchun aniqlangan miqdoriy alomatlarga ko‘ra ularni intervallarga ajratish,
ya’ni
1
c
ni topish quyidagi kriteriya bo‘yicha amalga oshiriladi:
A
p
t
p
p
p
t
p
p
i
p
i
p
i
m
m
u
m
u
u
m
m
u
m
m
m
m
u
u
max
2
1
1
1
2
1
1
2
2
1
2
1
2
2
1
1
2
1
2
1
(1)
t
K
yoki
t
K
3
sinflarga tegishli obyektlar uchun
dj
j
x
x
,
j
I
ayirmaning qiymati har
ikkala intervallar chegarasida qat’iy o‘rnatilgan bo‘lsa, u holda (1) kriteriya 1(bir) qiymatga
erishadi. Agar
m
m
j
j
j
j
r
r
r
r
1
2
1
,...,
bo‘lsa, u holda (1) kriteriya 0(nol) qiymatga erishadi.
Qolgan hollarda kriteriyadan olingan maksimal qiymat
1
,
0
oraliqda bo‘ladi [5].
O‘lchamlarga bog‘liq bo‘lmagan masshtabga o‘tish uchun
i
i
i
ji
ji
x
x
x
x
x
min
max
min
*
formula
yordamida
0,1
intervalga akslantirish amalga oshiriladi. Bu yerda
min
i
x
va
max
i
x
lar mos
ravishda
,
i
x i
I
alomatning eng kichik va eng katta qiymatlari.
0
E
S
d
uchun lokal metrika quyidagi ko‘rinishda aniqlanadi:
n
j
j
j
dj
d
y
x
w
y
x
1
,
(2)
bu yerda
dj
w
ning qiymati har bir
j
-alomat
j
I
uchun (1) kriteriyadan aniqlanadi.
d
i
S
K
,
i 1, 2
obyektlarning lokal metrikasi uchun
j
x
,
j
J
alomatlarning vaznlari
3
0
,
d
dj
i
S
j
w
K
E
formula
yordamida
hisoblanadi.
Bu
yerda
3
0
,
,
d
t
t
i
tj
dj
S
j
S S
K
E x
x
. Nominal alomatlarning vaznlari hisobga
olinganda lokal metrika quyidagi ko‘rinishni oladi:
I
j
J
j
j
j
j
j
dj
j
j
dj
d
y
x
y
x
w
y
x
w
y
x
.
,
0
,
,
,
(3)
bundan ko‘rinadiki,
J
bo‘lganda (3) metrika (2) metrikaning umumlashgan
ko‘rinishi hisoblanadi [6].
Navbatda (1) kriteriyani va (3) metrikani kompyuterli modellashtirish orqali olingan
natijalarning jadval ko‘rinishini keltiramiz:
Obyekt raqami
Alomatlar soni
Maksimum qiymati
1
20
0,262280169799879
2
20
0,0257731958762887
3
20
0,00515463917525771
…
…
…
43
20
0,13321204770568
44
20
0,0174853446533253
45
20
0,351020820699414
156
Jadvaldan ko‘rinadiki, berilganlarni intelektual tahlili (BIT) usullarini kompyuterli
modellashtirish orqali sohada yechimini kutayorgan bir qator muammolarni hal etish
hozirgi kunning dolzarb masalalari sirasiga kiradi.
Shuningdek yuqoridagi kabi masalalarni yechish orqali 2 ta sinfga tegishli bo‘lgan
obyektlarni sinflar ichidagi o‘xshashligi va sinflararo farqlanishiga ko‘ra umumlashgan
baholarini ham hisoblash mumkin bo‘ladi.
Foydalanilgan adabiyotlar ro’yxati:
1. Игнатьев Н.А. Выбор минимальной конфигурации нейронных сетей //
Вычислительные технологии.- Новосибирск, 2001.- Т. 6, № 1.- С. 23 -28.
2. Shodiyev F.Y., Eshboyev E.A. ESTABLISHMENT OF STEADY TEMPERATURE FIELD
//Перспективные информационные технологии (ПИТ 2018). – 2018. – С. 586-590.
3. Shodiyev F. INTELLECTUAL SYSTEM BASED ON THE DETERMINATION OF HIDDEN
LEGALITY //CENTRAL ASIAN JOURNAL OF EDUCATION AND COMPUTER SCIENCES
(CAJECS). – 2022. – Т. 1. – №. 5. – С. 11-16.
4. Shodiyev F.Y., Eshboyev E.A., Egamberdiyev E.H. Use of generalized estimates to
predict the diseases resistance of wheat varieties //Asian journal of multidimensional
research. – 2021. – Т. 10. – №. 4. – С. 602-610.
5. Eshboyev E., Shodiyev F., Bozorov A. Berilganlarni qayta ishlash algoritmlarida o‘lchov
shkalalari va tanlanma fayllarining o‘rni." //FAN VA JAMIYAT" jurnali. Ajiniyoz nomidagi
NDPI. – 2019. – №. 3. – С. 7-10.
6. Клычева Ф.Г., Эшбоев Э.А., Равшанов Д.Г. Реализация прогнозирования
сердечно-сосудистых заболеваний с использованием признаков и линейной
регрессии // Universum: технические науки, (8-1 (101)), 14-17.– 2022.
Aliqulov R.N. DFM modeli yordamida yalpi ichki mahsulotni qisqa muddatli
davrda prognoz qilish
DFM MODELI YORDAMIDA YALPI ICHKI MAHSULOTNI QISQA MUDDATLI DAVRDA
PROGNOZ QILISH
Aliqulov Ravshan Norqobilovich
O‘zbekiston Milliy universiteti matematik -iqtisodiyot yo‘nalishi 2- bosqich magistrant
Annotatsiya.
Ushbu maqola qisqa muddatli YaIMni prognozlashda dinamik omil
modellaridan (DFM) foydalanishni o‘rganadi. Tadqiqot DFM modelini yaratish uchun
sanoat ishlab chiqarishi, chakana savdo va bandlik kabi asosiy iqtisodiy ko‘rsatkichlarning
ma'lumotlar to‘plamidan foydalanadi. Keyinchalik model keyingi to‘rt chorak uchun YaIM
o‘sish sur'atlarini prognoz qilish uchun ishlatiladi. Natijalar shuni ko‘rsatadiki, DFM modeli
an'anaviy prognozlash usullaridan, masalan, avtoregressiv integratsiyalashgan
harakatlanuvchi o‘rtacha (ARIMA) aniqlik va ishonchlilik nuqtai nazaridan yaxshiroq
ishlaydi. Tadqiqot shuni ko‘rsatadiki, DFMlar siyosatchilar va tahlilchilar uchun iqtisodiy
siyosat bo‘yicha ongli qarorlar qabul qilishda qimmatli vosita bo‘lishi mumkin.
Kalit so‘zlar.
dinamik omil modellari, qisqa muddatli prognozlash, YaIM, iqtisodiy
ko‘rsatkichlar, ARIMA modellari.
Abstract.
This article explores the use of dynamic factor models (DFMs) in short-term
GDP forecasting. The study uses a dataset of key economic indicators, such as industrial
production, retail sales, and employment, to construct a DFM model. The model is then
used to forecast GDP growth rates for the next four quarters. The results show that the
DFM model performs better than traditional forecasting methods, such as autoregressive
integrated moving average (ARIMA) models, in terms of accuracy and reliability. The study
suggests that DFMs can be a valuable tool for policymakers and analysts in making
informed decisions about economic policy.
157
Key words.
dynamic factor models, short-term forecasting, GDP, economic indicators,
ARIMA models.
Kirish.
Yalpi ichki mahsulot (YaIM) mamlakatning iqtisodiy ko‘rsatkichlarining muhim
ko‘rsatkichidir. Yalpi ichki mahsulotning aniq va o‘z vaqtida prognozlari siyosatchilar,
investorlar va biznes uchun asosli qarorlar qabul qilishda muhim ahamiyatga ega. ARIMA
modellari kabi an'anaviy prognozlash usullari iqtisodiyotning murakkab dinamikasini
qamrab olishda cheklovlarga ega. Dinamik omil modellari (DFM) so‘nggi yillarda YaIMni
prognozlashda yanada murakkab va samarali yondashuv sifatida mashhur bo‘ldi. DFMlar
iqtisodiy o‘sishni rag‘batlantiradigan umumiy omillarni aniqlash uchun ko‘plab iqtisodiy
ko‘rsatkichlardan foydalanadi.
|
