Estimating and forecasting trade flows by panel data analysis and neural networks

Abstract

Bu çalışmada 15 Avrupa Birliği ülkesi arasında 1964'ten 2003'e kadar gerçekleşen ticaret akımları ve bunları etkileyen faktörler panel veri analizi ve yapay sinir ağları modellemesi kullanılarak incelenecektir. Her iki modelin açıklama gücü karşılaştırıldığında yapay sinir ağlarının karşılıklı ticareti panel veri analizine göre daha iyi açıkladığı görülmüştür. Ayrıca, örneklem dışı tahmin performansları karşılaştırıldığında da yapay sinir ağlarının panel veri analizine göre çok daha düşük ortalama karesel hata verdiği tespit edilmiştir. Yapay sinir ağlarının en önemli avantajı doğrusal olmamaları, yani yapı taşlarının doğrusal fonksiyonlar değil de sigmoid fonksiyonlardan oluşmasıdır. Bu onların çalışmamızdaki başarısını kısmen açıklar. Yapay sinir ağlarının diğer bir avantajı da nüfus dağılımı ile bağımlı ve bağımsız değişkenler arasındaki ilişki hakkında apriyori varsayımlarda bulunmamalarıdır

This paper aims to investigate bilateral trade flows among EU15countries from 1964 to 2003 with their determinants by using panel data analysis and neural network modeling. When we compare explanatory power of both models, it appears that neural networks can explain larger variation in bilateral exports compared to the panel data analysis. Moreover, in comparing out-of-sample forecasting performances of panel model and neural networks, it is seen that neural networks produce much lower MSE which makes them superior to the panel model. One of the main relative benefits of the neural network model is nonlinearity, as it uses sigmoid functions instead of linear functions as building blocks. This partly explains its success in our study. Another advantage of neural networks is that they make no a priori assumptions about the population distribution and the relationship between explanatory variables and the dependent variable