Forecasting Malaysian overnight islamic interbank rate using the Box-Jenkins model

Modelling the overnight Islamic interbank rate (IIR) is imperative to define the IIR performance as it would help the Islamic banks to adjust its costs of funding effectively and facilitate the policy makers to regulate a comprehensive monetary policy in Malaysia. The IIR framework which has been regulated by Bank Negara Malaysia under dual banking and financial system has always been overlooked in most previous studies in modelling the financial instruments rates. Therefore, it is vital to select the appropriate model as it resembles with the features of the IIR. The study assesses the forecasting performance of overnight IIR using the Box-Jenkins model. The suggested Box-Jenkins model has been applied to the Malaysian overnight IIR (in percentage) from 02/01/2001 to 31/12/2020. The empirical results determine that ARIMA (0,1,1) is the most appropriate model in forecasting overnight IIR as the model provides the smallest Mean Absolute Error (MAE), Root Mean Square Error (RMSE) and Mean Absolute Percentage Error (MAPE). In multistep ahead forecasting, it can be summarised that ARIMA (0,1,1) model is able to trail the actual data trend of daily Malaysian overnight IIR up to 5-day ahead within 95% prediction intervals.

Download Full-text

A Comparison of Models for Estimating Solar Radiation from Sunshine Duration in Croatia

International Journal of Photoenergy ◽

10.1155/2020/9605950 ◽

2020 ◽

Vol 2020 ◽

pp. 1-14

Author(s):

Tihomir Betti ◽

Ivana Zulim ◽

Slavica Brkić ◽

Blanka Tuka

Keyword(s):

Mean Absolute Error ◽

Sunshine Duration ◽

Model Performance ◽

Absolute Error ◽

Mean Bias Error ◽

Percentage Error ◽

Bias Error ◽

Mean Square ◽

Using Data ◽

Statistical Indicators

The performance of seventeen sunshine-duration-based models has been assessed using data from seven meteorological stations in Croatia. Conventional statistical indicators are used as numerical indicators of the model performance: mean absolute percentage error (MAPE), mean bias error (MBE), mean absolute error (MAE), and root-mean-square error (RMSE). The ranking of the models was done using the combination of all these parameters, all having equal weights. The Rietveld model was found to perform the best overall, followed by Soler and Dogniaux-Lemoine monthly dependent models. For three best-performing models, new adjusted coefficients are calculated, and they are validated using separate dataset. Only the Dogniaux-Lemoine model performed better with adjusted coefficients, but across all analysed locations, the adjusted models showed improvement in reduced maximum percentage error.

Download Full-text

PERAMALAN JUMLAH MAHASISWA MENGGUNAKAN MOVING AVERAGE

Telematika ◽

10.31315/telematika.v15i1.3069 ◽

2018 ◽

Vol 15 (1) ◽

pp. 67

Author(s):

Hari Prapcoyo

Keyword(s):

Mean Square Error ◽

Mean Absolute Error ◽

Average Length ◽

Moving Average ◽

Absolute Error ◽

Mean Absolute Percentage Error ◽

Percentage Error ◽

Mean Square ◽

Absolute Percentage Error ◽

Weighted Moving Average

AbstractThe Process of using resources in higher education is influenced by the up and down of the number students. The purpose of this study is to predict the number of students who study in the department of informatics engineering UPN Veteran Yogyakarta for the next periods. This research, data is taken from forlap dikti for Informatics Engineering fom 2009 until 2016 at UPN Veteran Yogyakarta. The method that used to forecast the number of students is a Moving Average method consisting of: Single Moving Average (SMA), Weighted Moving Average (WMA) and Exponential Moving Average (EMA). This study will use the forecasting accuracy namely Mean Square Error (MSE), Mean Absolute Error (MAE) and Mean Absolute Percentage Error (MAPE) to select the best model to be used for forecasting. The best model that used for forecasting is Weighted Moving Average (WMA) with weighted 1/3 and average length (n) used for 2. The smallest value for MSE of 5807.96; the smallest MAE value of 55.89 and the smallest value for MAPE of 5.24%. Forecasting of the number of students for four semesters in the future after the even semester of 2016 are respectively: 902; 901,33; 901,56 and 901,48. Keywords : Forecasting, UPN Veteran Yogyakarta, Single moving average(SMA) AbstrakProses penggunaan sumber daya perguruan tinggi setiap tahun dipengaruhi oleh naik turunnya jumlah mahasiswa. Tujuan dari penelitian ini adalah untuk memprediksi jumlah mahasiswa yang kuliah di jurusan teknik informatika UPN Veteran Yogyakarta untuk periode yang akan datang. Data penelitian ini diambil dari forlap dikti untuk Teknik Informatika dari tahun 2009 sampai 2016 UPN Veteran Yogyakarta. Metode yang digunakan untuk melakukan peramalan jumlah mahasiswa adalah metode Moving Average yang tediri dari : Single Moving Average (SMA), Weighted Moving Average (WMA) dan Exponential Moving Average (EMA). Penelitian ini akan menggunkan akurasi peramalan Mean Square Error (MSE), Mean Absolute Error (MAE) dan Mean Absolute Percentage Error (MAPE) untuk memilih model terbaik yang akan digunakan untuk peramalan. Model terbaik yang digunakan untuk peramalan yaitu Weighted Moving Average (WMA) dengan pembobot 1/3 dan panjang rata-rata (n) yang dipakai sebesar 2. Nilai terkecil untuk MSE sebesar 5807,96; nilai terkecil MAE sebesar 55,89 dan nilai terkecil untuk MAPE sebesar 5,24 %. Peramalan untuk jumlah mahasiswa empat semester kedepan setelah semester genap 2016 masing-masing adalah : 902; 901,33; 901,56 dan 901,48. Kata Kunci : Peramalan, UPN Veteran Yogyakarta, Single Moving Average(SMA).

Download Full-text

Ανάπτυξη πολυκριτήριου συστήματος συστάσεων για προσωποποιημένο μάρκετινγκ

10.12681/eadd/44017 ◽

2018 ◽

Author(s):

Ιωάννης Ζήσος

Keyword(s):

Root Mean Square Error ◽

Recommender Systems ◽

Mean Square Error ◽

Root Mean Square ◽

Mean Absolute Error ◽

Cold Start ◽

Absolute Error ◽

Percentage Error ◽

Mean Square ◽

Absolute Percentage Error

Ένα από τα πιο καίρια ερωτήματα για τους χρήστες του διαδικτύου, είναι πώς θα καταφέρουν να διαχειριστούν την τεράστια ποσότητα διαθέσιμης πληροφορίας, ώστε να καταλήξουν σε επιλογή προϊόντων που ανταποκρίνονται όσο το δυνατό καλύτερα στις προτιμήσεις και ανάγκες τους. Αντίστοιχα, οι εταιρείες που παρέχουν προϊόντα ή υπηρεσίες μέσω του διαδικτύου, προσπαθούν συστηματικά να εντοπίσουν μεθόδους ώστε να αποκωδικοποιήσουν με ακρίβεια τα προφίλ προτίμησης των χρηστών, με στόχο να καταφέρουν να προσαρμόσουν κατάλληλα τα προϊόντα τους και να αυξήσουν τις πωλήσεις τους.Για τους παραπάνω λόγους, η επιστημονική και ερευνητική κοινότητα που δραστηριοποιείται στο τομέα της ανάλυσης δεδομένων και το μάρκετινγκ έχει επικεντρώσει την προσπάθεια της, στην δημιουργία μεθοδολογιών που θα απαντήσουν όσο το δυνατόν πιο αποτελεσματικά τα παραπάνω ερωτήματα. Οι περισσότερες από αυτές τις μεθοδολογίες καταλήγουν στην ανάπτυξη προσαρμοστικών συστημάτων που αντλούν δεδομένα από το διαδίκτυο και εξάγουν προτάσεις για τους χρήστες. Η πιο γνωστή κατηγορία τέτοιου είδους συστημάτων είναι τα συστήματα συστάσεων (Recommender Systems). Στην παρούσα ερευνητική εργασία παρουσιάζεται η μεθοδολογία και τα αποτελέσματα πιλοτικής λειτουργίας ενός νέου υβριδικού συστήματος συστάσεων που βασίζεται στη χρήση μεθόδων ανάλυσης συναισθήματος, πολυκριτήριας ανάλυσης καθώς και μεθόδων φιλτραρίσματος. Η μεθοδολογία καταλήγει σε τέσσερα διαφορετικά είδη σύστασης, με άκρως ενδιαφέροντα αποτελέσματα.Μέσω του μεθοδολογικού πλαισίου γίνεται εφικτός ο προσδιορισμός των προτιμησιακών προφίλ των χρηστών του συστήματος, τα οποία εν συνεχεία αντιστοιχίζονται σε «προφίλ πελατών» που επιλέγουν συγκεκριμένα προϊόντα/υπηρεσίες που τους «ταιριάζουν».Έτσι, καταλήγουμε σε προσωποποιημένες συστάσεις προϊόντων στον χρήστη του συστήματος, που είναι ανάλογες των προτιμήσεων του. Επιπλέον δίνεται στο χρήστη η δυνατότητα να φιλτράρει τις διαθέσιμες εναλλακτικές με σχετική επιλογή από ένα σύνολο κατ’ αποκοπή κριτηρίων. Η χρήση του κατωφλιού ελάχιστης ικανοποίησης, που προσδιορίζεται από τα αποτελέσματα της ανάλυσης συναισθήματος στα σχόλια των πελατών, εγγυάται την ποιότητα των συστάσεων.Τα δεδομένα του συστήματος είναι πραγματικές απόψεις και βαθμολογίες χρηστών για καταλύματα, καθώς και χαρακτηριστικά καταλυμάτων που αντλήθηκαν από γνωστή διαδικτυακή πλατφόρμα κρατήσεων. H ανάπτυξη του συστήματος βασίστηκε στην μεθοδολογία CRISP-DM(Shearer, 2000a). Η αξιολόγηση του συστήματος συστάσεων γίνεται με μέτρηση της ακρίβειας προβλέψεων αξιολογήσεων σε πείραμα με πραγματικούς χρήστες.Για τη μελέτη περίπτωσης χρησιμοποιήθηκαν δεδομένα για τα τουριστικά καταλύματα του Νομού Χανίων. Τα πιο σημαντικά χαρακτηριστικά της συγκεκριμένης ερευνητικής προσπάθειας είναι: α. H χρήση μεγάλου όγκου πραγματικών δεδομένων σε αντίθεση με τις περισσότερες από τις υπάρχουσες έρευνες που χρησιμοποιούν έτοιμα τεστ σετ δεδομένων. β. Η χρησιμοποίηση όλης της διαθέσιμης αντλημένης πληροφορίας προκειμένου να καταλήξουμε σε σύσταση. Πιο συγκεκριμένα στην παρούσα μεθοδολογία χρησιμοποιούνται δεδομένα βαθμολογιών προϊόντων για την ανάλυση ικανοποίησης πελατών, δεδομένα απόψεων για τη συναισθηματική ανάλυση, στατικά δεδομένα των προϊόντων σαν κατ’ αποκοπή κριτήρια σε αντίθεση με τις περισσότερες μελέτες όπου χρησιμοποιούνται είτε βαθμολογίες, είτε ανάλυση σχολίων για την τελική σύσταση.γ. Η χρήση των αποτελεσμάτων της ανάλυσης συναισθήματος ως κατώφλια ποιότητας σύστασης. δ. Η επιτυχής εφαρμογή παραλλαγής της πρόσφατα παρουσιασθείσας μεθόδου WAP, για τη δημιουργία προτιμησιακού προφίλ χρήστη.ε. Η απαίτηση για εισαγωγή ελάχιστων δεδομένων από το χρήστη.στ. Ο ελάχιστος χρόνος που απαιτείται για την παραγωγή της σύστασης κατά τη λειτουργία του συστήματος.η. Η αποφυγή άντλησης προσωπικών δεδομένων του χρήστη για χρήση τους στη διαδικασία της σύστασης. θ. H αποφυγή του προβλήματος της καθυστερημένης εκκίνησης (cold start). ι. Τα άκρως ικανοποιητικά αποτελέσματα με βάση τις μετρικές που χρησιμοποιήθηκαν για τη δοκιμή του συστήματος.κ. Η χρησιμότητα του συστήματος είναι χαρακτηριστική για όλες τις ομάδες στόχου, καθώς δίνεται η δυνατότητα παροχής χρήσιμης πληροφορίας τόσο στον πελάτη με σύσταση ανάλογη των αναγκών του, όσο και στον πάροχο υπηρεσίας/προϊόντος, προσδιορίζοντας του τις τάσεις όσον αφορά την ικανοποίηση των πελατών. Οι κύριες μετρικές που χρησιμοποιούνται για την μέτρηση της ποιότητας των συστάσεων που παράγονται είναι οι: Mean Square Error (MSE), Root Mean Square Error (RMSE), Mean Absolute Error (MAE), Mean Absolute Percentage Error (MAPE).H διατριβή ολοκληρώνεται, με προτάσεις, για μελλοντική έρευνα και επέκταση του παρόντος συστήματος.

Download Full-text

Explanation Plus Prediction—The Logical Focus of Project Management Research

Project Management Journal ◽

10.1177/8756972821999945 ◽

2021 ◽

pp. 875697282199994

Author(s):

Joseph F. Hair ◽

Marko Sarstedt

Keyword(s):

Project Management ◽

Statistical Models ◽

Predictive Power ◽

Mean Absolute Error ◽

Explanatory Power ◽

Absolute Error ◽

Model Parameters ◽

Mean Square ◽

Management Research ◽

The Mean

Most project management research focuses almost exclusively on explanatory analyses. Evaluation of the explanatory power of statistical models is generally based on F-type statistics and the R 2 metric, followed by an assessment of the model parameters (e.g., beta coefficients) in terms of their significance, size, and direction. However, these measures are not indicative of a model’s predictive power, which is central for deriving managerial recommendations. We recommend that project management researchers routinely use additional metrics, such as the mean absolute error or the root mean square error, to accurately quantify their statistical models’ predictive power.

Download Full-text

Direct Calculation of Thermodynamic Wet-Bulb Temperature as a Function of Pressure and Elevation

Journal of Atmospheric and Oceanic Technology ◽

10.1175/jtech-d-12-00191.1 ◽

2013 ◽

Vol 30 (8) ◽

pp. 1757-1765 ◽

Cited By ~ 10

Author(s):

Sayed-Hossein Sadeghi ◽

Troy R. Peters ◽

Douglas R. Cobos ◽

Henry W. Loescher ◽

Colin S. Campbell

Keyword(s):

Air Temperature ◽

Mean Absolute Error ◽

Direct Calculation ◽

Ambient Air ◽

Absolute Error ◽

Mean Square ◽

Air Temperatures ◽

Order Polynomial ◽

The Mean ◽

Very High

Abstract A simple analytical method was developed for directly calculating the thermodynamic wet-bulb temperature from air temperature and the vapor pressure (or relative humidity) at elevations up to 4500 m above MSL was developed. This methodology was based on the fact that the wet-bulb temperature can be closely approximated by a second-order polynomial in both the positive and negative ranges in ambient air temperature. The method in this study builds upon this understanding and provides results for the negative range of air temperatures (−17° to 0°C), so that the maximum observed error in this area is equal to or smaller than −0.17°C. For temperatures ≥0°C, wet-bulb temperature accuracy was ±0.65°C, and larger errors corresponded to very high temperatures (Ta ≥ 39°C) and/or very high or low relative humidities (5% < RH < 10% or RH > 98%). The mean absolute error and the root-mean-square error were 0.15° and 0.2°C, respectively.

Download Full-text

Artificial Neural Network (FFBP-ANN) Based Grey Relational Analysis for Modeling Dyestuff Solubility in Supercritical CO2 with Ethanol as the Co-Solvent

10.26434/chemrxiv.11973273.v4 ◽

2021 ◽

Author(s):

FNU SRINIDHI

Keyword(s):

Carbon Dioxide ◽

Supercritical Carbon Dioxide ◽

Mean Square Error ◽

Supercritical Co2 ◽

Mean Absolute Error ◽

Absolute Error ◽

Mean Square ◽

Relational Analysis ◽

Grey Relational ◽

Supercritical Carbon

The research on dye solubility modeling in supercritical carbon dioxide is gaining prominence over the past few decades. A simple and ubiquitous model that is capable of accurately predicting the solubility in supercritical carbon dioxide would be invaluable for industrial and research applications. In this study, we present such a model for predicting dye solubility in supercritical carbon dioxide with ethanol as the co-solvent for a qualitatively diverse sample of eight dyes. A feed forward back propagation - artificial neural network model based on Levenberg-Marquardt algorithm was constructed with seven input parameters for solubility prediction, the network architecture was optimized to be [7-7-1] with mean absolute error, mean square error, root mean square error and Nash-Sutcliffe coefficient to be 0.026, 0.0016, 0.04 and 0.9588 respectively. Further, Pearson-product moment correlation analysis was performed to assess the relative importance of the parameters considered in the ANN model. A total of twelve prevalent semiempirical equations were also studied to analyze their efficiency in correlating to the solubility of the prepared sample. Mendez-Teja model was found to be relatively efficient with root mean square error and mean absolute error to be 0.094 and 0.0088 respectively. Furthermore, Grey relational analysis was performed and the optimum regime of temperature and pressure were identified with dye solubility as the higher the better performance characteristic. Finally, the dye specific crossover ranges were identified by analysis of isotherms and a strategy for class specific selective dye extraction using supercritical CO2 extraction process is proposed.

Download Full-text

Forecasting Wheat Production in Pakistan

THE LAHORE JOURNAL OF ECONOMICS ◽

10.35536/lje.2008.v13.i1.a3 ◽

2008 ◽

Vol 13 (1) ◽

pp. 57-85 ◽

Cited By ~ 3

Author(s):

Falak Sher ◽

Eatzaz Ahmad

Keyword(s):

Production Function ◽

Mean Absolute Error ◽

Absolute Error ◽

Forecasting Model ◽

Future Prospects ◽

Wheat Production ◽

Steady Growth ◽

Forecasting Performance ◽

The Future ◽

Out Of Sample

This study analyzes the future prospects of wheat production in Pakistan. Parameters of the forecasting model are obtained by estimating a Cobb-Douglas production function for wheat, while future values of various inputs are obtained as dynamic forecasts on the basis of separate ARIMA estimates for each input and for each province. Input forecasts and parameters of the wheat production function are then used to generate wheat forecasts. The results of the study show that the most important variables for predicting wheat production per hectare (in order of importance) are: lagged output, labor force, use of tractors, and sum of the rainfall in the months of November to March. The null hypotheses of common coefficients across provinces for most of the variables cannot be rejected, implying that all variables play the same role in wheat production in all the four provinces. Forecasting performance of the model based on out-of-sample forecasts for the period 2005-06 is highly satisfactory with 1.81% mean absolute error. The future forecasts for the period of 2007-15 show steady growth of 1.6%, indicating that Pakistan will face a slight shortage of wheat output in the future.

Download Full-text

Accuracy Assessment of TanDEM-X 90 and CartoDEM Using ICESat-2 Datasets for Plain Regions of Ratlam City and Surroundings

Engineering Proceedings ◽

10.3390/ecsa-8-11441 ◽

2021 ◽

Vol 10 (1) ◽

pp. 59

Author(s):

Unnati Yadav ◽

Ashutosh Bhardwaj

Keyword(s):

Mean Absolute Error ◽

Accuracy Assessment ◽

Absolute Error ◽

Terrain Analysis ◽

Mean Square ◽

High Quality ◽

Ice Cloud ◽

The Mean ◽

Cut And Fill ◽

Statistical Results

The spaceborne LiDAR dataset from the Ice, Cloud, and Land Elevation Satellite (ICESat-2) provides highly accurate measurements of heights for the Earth’s surface, which helps in terrain analysis, visualization, and decision making for many applications. TanDEM-X 90 (90 m) and CartoDEM V3R1 (30 m) elevation are among the high-quality openly accessible DEM datasets for the plain regions in India. These two DEMs are validated against the ICESat-2 elevation datasets for the relatively plain areas of Ratlam City and its surroundings. The mean error (ME), mean absolute error (MAE), and root mean square error (RMSE) of TanDEM-X 90 DEM are 1.35 m, 1.48 m, and 2.19 m, respectively. The computed ME, MAE, and RMSE for CartoDEM V3R1 are 3.05 m, 3.18 m, and 3.82 m, respectively. The statistical results reveal that TanDEM-X 90 performs better in plain areas than CartoDEMV3R1. The study further indicates that these DEMs and spaceborne LiDAR datasets can be useful for planning various works requiring height as an important parameter, such as the layout of pipelines or cut and fill calculations for various construction activities. The TanDEM-X 90 can assist planners in quick assessments of the terrain for infrastructural developments, which otherwise need time-consuming traditional surveys using theodolite or a total station.

Download Full-text

Day-Ahead Photovoltaic Forecasting: A Comparison of the Most Effective Techniques

Energies ◽

10.3390/en12091621 ◽

2019 ◽

Vol 12 (9) ◽

pp. 1621 ◽

Cited By ~ 32

Author(s):

Alfredo Nespoli ◽

Emanuele Ogliari ◽

Sonia Leva ◽

Alessandro Massi Pavan ◽

Adel Mellit ◽

...

Keyword(s):

Hybrid Method ◽

Mean Absolute Error ◽

Weather Forecast ◽

Absolute Error ◽

The Other ◽

Pv System ◽

Weather Forecasts ◽

Forecasting Method ◽

Forecasting Performance ◽

Stable Performance

We compare the 24-hour ahead forecasting performance of two methods commonly used for the prediction of the power output of photovoltaic systems. Both methods are based on Artificial Neural Networks (ANN), which have been trained on the same dataset, thus enabling a much-needed homogeneous comparison currently lacking in the available literature. The dataset consists of an hourly series of simultaneous climatic and PV system parameters covering an entire year, and has been clustered to distinguish sunny from cloudy days and separately train the ANN. One forecasting method feeds only on the available dataset, while the other is a hybrid method as it relies upon the daily weather forecast. For sunny days, the first method shows a very good and stable prediction performance, with an almost constant Normalized Mean Absolute Error, NMAE%, in all cases (1% < NMAE% < 2%); the hybrid method shows an even better performance (NMAE% < 1%) for two of the days considered in this analysis, but overall a less stable performance (NMAE% > 2% and up to 5.3% for all the other cases). For cloudy days, the forecasting performance of both methods typically drops; the performance is rather stable for the method that does not use weather forecasts, while for the hybrid method it varies significantly for the days considered in the analysis.

Download Full-text