Международный научно-образовательный электронный журнал «образование и наука в XXI веке». Выпуск №25 (том 2)

2.
 
Adabiyotlar sharhi (Literature review) 
Makroiqtisodiy ko`rsatkichlarni prognozlashda machine learning metodlarini qo`llash 
mavzusida xorijlik tadqiqotchilarning ko`plab ilmiy ishlari yozilgan bo`lib, ular ichida 
ushbu tadqiqotga katta ta’sir ko`rsatganlarini sanab o`tamiz. Stock and Watson (2008) 
larning tadqiqoti inflatsiyani prognozlashga bag`ishlangan bo`lib, 
Stock and Watson 
(2008)
175
turli modellarni to`rtta asosiy guruhga ajratib, tahlil qilishadi. Birinchi guruhda 
faqat inflatsiya vaqtli qatorlarini ishlatishga asoslanadi: ARMA, RW va mualliflarning 
o`zlari ishlab chiqqan, kuzatilmagan komponentlar va stoxastik volatillik modeli 
(Unobserved Components – Stochastic Volatility, UC-SV) modellari kiradi. Ikkinchi 
guruhga o`zgaruvchisi iqtisodiy faoliyat, masalan ishsizlik va ishlab chiqarishdagi 
uzilishlarga asoslangan modellar kiradi. Uchinchi modellar professional prognozistlardan 
so`rovnomalarga 
asoslanadi. 
To`rtinchi 
guruhda 
ikkinchi 
guruhga 
kirmagan 
o`zgaruvchilarga ega bo`lmagan modellar kiritiladi. Modellar kvartalli ma’lumotlar asosida 
10 yillik muddat uchun psevdo-real muddatdagi prognozlarni tuzishadi. Modelni baholash 
uchun o`rtacha kvadratik chetlanish (Root Mean Square Error, RMSE) olinadi. Xulosa 
shunday bo`ldiki, faqat inflatsiyaning vaqtli qatorlari yordamidagi modellar ko`p 
o`zgaruvchili modellardan ortda qolmaydi. Ko`p o`zgaruvchili modellarni tuzishdagi 
qiyinchiliklarni hisobga olib, mualliflar bir o`zgaruvchili modellarni afzal deb xulosa 
qilishadi.
Faust and Wright (2013)
176
muallifigidagi maqola ham inflatsiyani prognozlashga 
bag`ishlangan. Mualliflar ML ning 17 ta turli modellarini o`zaro solishtirishadi. Ular 
orasida - “tasodifiy yurish” (“Random Walk”), avtoregressiya metodlari (AR (1) va AR 
(p)), Fillips egri chizig`iga asoslangan model, strukturali vektor avtoregressiya (SVAR), 
Bayesning o`rtachalar modeli (BMA), umumiy muvozanatning dinamik stoxastik modeli 
(Dynamic Stochastic General Equilibrium, DSGE) va boshqalar bor. Mualliflar o`rtacha 
kvadratik chetlanish (RMSE) orqali modellarni baholashadi. Bunda, etalon sifatida AR (1) 
modeli olinib, barcha modellar aynan shu modelga nisbatan baholanadi. Eng yaxshi model 
sifatida professional prognozistlar fikriga asoslangan model yutib chiqadi. Lekin, ushbu 
175
Phillips Curve Inflation Forecasts James H. Stock, Mark W. Watson NBER Working Paper No. 14322 September 2008 
176
Inflation forecasting; Faust, Jon; Jonathan H. Wright; Handbook of Forecasting, 2:A, 2013, G. Elliott and A. Timmermann 
eds., 2013, 2-56..) 

---

786 
tadqiqot ham yuqoridagi tadqiqotning eng yaxshi ko`p faktorli modellar eng yaxshi bir 
faktorli modellarga nisbatan yutuq bermasligini isbotladi.
Rossiyalik tadqiqotchilar 
Fokin va Polbin (2019)
177
makroiqtisodiy ko`rsatkichlar 
prognozida VAR-LASSO modelini qo`llab, Rossiya iqtisodiyoti uchun 2019-2024 yillar 
uchun prognozlarni amalga oshirishadi. Ular BVAR (Bayesian Vector Autoregression), 
VAR, ARIMA metodlari bilan VAR-LASSO modelini taqqoslab, ularning modelining 
ustunligini ko`rsatib berishadi. Ularning 2016-2018 yillar uchun psevdo-real vaqtdagi 
prognozlar Rossiya iqtisodiy rivojlanish vazirligi va Xalqaro Valuta Fondi prognozlari va 
haqiqiy ko`rsatkichlar bilan taqqoslashda RMSE (o`rtacha kvadratik chetlanish) 
ko`rsatkichidan foydalanishadi. Ushbu ishning o`ziga xosligi – Rossiy iqtisodiyoti 
sekinlashishini strukturali o`zgarish sifatida modelga qo`sha olishadi va shu orqali modeli 
aniqligini oshirishadi. 
Macau Universiteti tadqiqotchisi 
Yun Liao (2017)
178
ning izlanishida makroiqtisodiy vaqtli 
qatorlarni prognozlashda neyron tarmoq (Neural Network), Markovning o`zgaruvchan 
modeli va K-o`rtacha modelini qo`llash orqali yuqori natijaga erishish mumkinligini 
ko`rsatadi. Muallif o`z modelini AQSh iqtisodiyotida 11 ta vaqtli qatorlarning 1968 – 2015 
yillardagi ma’lumotlariga asoslanib tuzadi. Ushbu tadqiqot texnologyalarning yana bir 
yutug`i – neyron tarmoqlarining iqtisodiy prognozlashda ishlatilishini namoyon etuvchi 
ishlardan biri bo`ldi. 
S. Siami-Namini, Tavakoli and A. Siami Namini (2018)
179
iqtisodiyotdagi vaqtli 
qatorlarni prognozlashda ARIMA va neyron tarmoqlarning yana bir vakili bo`lgan Long 
Short-Term Memory (LSTM) metodini solishtirib ko`rishadi. Ushbu tadqiqot natijalariga 
ko`ra, LSTM modeli ARIMA modeliga qaraganda turli holatlarda 84-87% aniqroq prognoz 
qilishi imkonini beradi.
Anna Almosova, Niek Andresen (2019)
180
larning tadqiqotlari ham aynan ushbu mavzuga 
qaratilgan bo`lib, AQSh iste’mol narxlari indeksi prognozida RW, AR, SARIMA, Markov 
177
Fokin, N. and Polbin, A. (2019). Forecasting Russia's Key Macroeconomic Indicators with the VAR-LASSO Model. 
Russian Journal of Money and Finance, 78(2), pp. 67–93. 
178
Yun Liao, 2017. "Machine Learning in Macro-Economic Series Forecasting," International Journal of Economics and 
Finance, Canadian Center of Science and Education, vol. 9(12), pages 71-76, December. 
179
Siami-Namini, Sima et al. “A Comparison of ARIMA and LSTM in Forecasting Time Series.” 2018 17th IEEE 
International Conference on Machine Learning and Applications (ICMLA) (2018): 1394-1401. 
180
Nonlinear Inflation Forecasting with Recurrent Neural Networks Anna Almosova Niek Andresen (2019) 

---

787 
o`zgaruvchan modeli (MS-AR) hamda LSTM modellari o`rtasida taqqoslash amalga 
oshirib, RMSE bo`yicha eng kichik xatolik LSTM modelida ekanligini ko`rishadi. Ayniqsa, 
LSTMning afzalliklari bir qadam oldingi prognozda emas, balki uzoqroq muddatdagi 
prognozlarda namoyon bo`ladi.
Umuman olib aytganda, makroiqtisodiy ko`rsatkichalrni prognozlashda machine learning 
metodlaridan foydalanish, nafaqat O`zbekiston, balki rivojlangan davlatlar iqtisodiyoti 
uchun ham dolzarb masala hisoblanadi. Shu tufayli, ushbu mavzudagi ilmiy maqolalar soni 
tez sur’atlarda ko`payib bormoqda. 

---

788