Preliminary communication
https://doi.org/10.62366/crebss.2026.1.004
Hibridni ARIMA modeli strojnog učenja za predviđanje inflacije i gospodarskog rasta u Nigeriji
Victor Mazona
orcid.org/0009-0004-0179-1892
; Federal University of Technology, Akure, Nigeria
Gabriel Olugbenga Obadina
orcid.org/0000-0003-0114-2871
; Olabisi Onabanjo University, Ago-Iwoye, Ogun State, Nigeria
*
* Corresponding author.
Abstract
Točno predviđanje inflacije i gospodarskog rasta ostaje ključni izazov za ekonomsku politiku Nigerije, gdje su promjenjivi makroekonomski uvjeti, strukturne promjene i trajni šokovi učinili tradicionalne univarijatne metode sve nepouzdanijima. Ovaj rad razvija i ocjenjuje skupinu hibridnih ARIMA modela strojnog učenja za predviđanje stope inflacije i stope rasta BDP-a u Nigeriji koristeći mjesečne podatke od siječnja 2010. do prosinca 2024. Hibridni okvir rastavlja svaku seriju na linearnu komponentu koju bilježi ARIMA i nelinearnu komponentu reziduala koju bilježi jedan od tri algoritma strojnog učenja: umjetne neuronske mreže (ANN), potpornu vektorsku regresiju (SVR) i slučajnu šumu (RF). Eksperimenti izvan uzorka s pomičnim prozorom pokazuju da svi hibridni modeli znatno nadmašuju svoje samostalne inačice. Hibridni ARIMA-ANN postiže najnižu srednju pogreške (RMSE) od 0,324 za predviđanje inflacije, u usporedbi s 0,517 za samostalni ARIMA i 0,468 za samostalni ANN. Za rast BDP-a, hibridni ARIMA-RF postiže RMSE 0,187, što je poboljšanje od 34% u odnosu na samostalni ARIMA. Diebold-Mariano testovi potvrđuju da su sva poboljšanja prognoza statistički značajna na razini signifikantnosti od 1%. Rezultati podržavaju hibridno modeliranje kao održiv put prema pouzdanijem makroekonomskom predviđanju u gospodarstvima u razvoju koja karakterizira strukturna nestabilnost i promjene režima.
Keywords
ARIMA; rast BDP-a; hibridno prognoziranje; inflacija; strojno učenje
Hrčak ID:
348893
URI
Publication date:
6.7.2026.
Visits: 0 *