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.