Predicting unemployment rates with the use of cognitive mapping methodology and artifical neural networks

Yapay sinir ağları ve bilişsel haritalar kullanılarak işsizlik oranı öngörü çalışması

Abstract

Forecasting is accepted as an important tool in the development and application of macro policies. Considering the fact that accurate forecasts help decision makers take better decisions, forecasting studies have started to take growing interest of researchers. By the developments in the computer specifications, artificial intelligence techniques have gained more attention as decision support tools. Among the artificial intelligence techniques, artificial neural networks (ANNs) are seen as promising techniques especially in forecasting applications. In this study, cognitive mapping methodology which is used in capturing the cause-effect relationships in complex causal systems and facilitate understand the interconnections within the elements of the systems by gathering expert knowledge is used in the identification of the factors that affect unemployment in Turkey and ANNs methodology are integrated in order define a prediction model framework. The framework is applied to unemployment rate data sets in Turkey in order to understand the important factors that affect unemployment and to forecast unemployment rate in Turkey. Understanding the factors that affect unemployment and developing forecasting models by the use of these factors can help the decision makers as a decision support mechanism in defining policies to overcome unemployment problem.In the first phase of the study Cognitive Mapping methodology is used in the identification of the factors that affect unemployment in Turkey by taking the views of five different experts who have made research on macroeconomic problems of Turkey. The eleven variables identified by the experts are used in the second phase of the study as the input data set in developing a multi-variate forecasting model by using ANNs. The research period covers 1988 and 2004. Quarterly data is used in the analysis. To find the best network to forecast the output variables, a design of experiment is made and two different output activation functions; (linear function and nonlinear tangent sigmoid function), two different scaling ranges (-0.9; 0.9 and 0.1; 0.9), seasonal and deseasonalized data is used in the study. Additionally, three different input data structures are used in the study. In the first data structure, all variables identified by the experts are used in the analysis. In the second structure, unemployment rate data in one past period is added to the 11 input variables. In the third input structure, all input variables and unemployment rate are used in their lagged values as the inputs to the network. Therefore a total of 24 different models are tested. The networks are trained using MATLAB software, TRAINGDX training algorithm. To train each network, different numbers of hidden units are used and almost 85 % of the data set is used as the training set. Each run is replicated ten times with different initial weights in order to avoid getting stuck in local minima. Since the data set was not large enough to use a validation set, training is stopped at epoch 1000. The results of the study show that the best network found uses the level values in deseasonalized data sets; a tangent sigmoid function as the output activation function and a scaling range of (0.1;0.9). The structure of the input set is the second structure which includes all the 11 variables identified by the expert and the one past period value of the dependent variable itself. The results show that the specified best neural network model is able to perform satisfactorily within the test set. The test MSE is found to be 0.0015 where the training MSE is 0.0029. Furthermore in the study, the effects of the different activation functions and different scaling ranges and deseasonalization on network prediction performance are tested. The results showed that models using a scaling range of (0.1;0.9) give significantly better average MSE results compared to the models using a scaling range of (-0.9;0.9). For the output activation functions, the test results reveal the mean performances of the models using tangent sigmoid function are not different from each other statistically. The test results also indicate that deseasonalization significantly improves network performance in unemployment rate data. Finally during the analysis it is observed that the networks tend to get over trained as the number of the hidden units increase; this result is in accordance with the findings in previous research on neural networks. The results of the study indicate that ANNs may be considered as promising tools in macroeconomic forecasting studies.

Özet

Öngörü modellemesi, makro politikaların oluşturulmasında önemli bir karar destek aracı olarak görülmektedir. Bilgisayar teknolojisindeki ilerlemeler sayesinde yapay zeka sistemlerinin karar destek araçları olarak kullanımları da gün geçtikçe artmaktadır. Yapay zeka tekniklerinden Yapay Sinir Ağları yöntemi, öngörü çalışmalarında kullanılabilecek ümit veren bir yöntem olarak araştırmacılar tarafından ilgi görmektedir. Bu çalışmada Bilişsel Haritalar yöntemi ile Yapay Sinir Ağları yöntemleri kullanılarak bir öngörü modeli kurulması çalışması gerçekleştirilmiştir. Çalışmada öngörü veri seti olarak Türkiye’de işsizlik oranları verisi kullanılmıştır. İşsizlik problemi, dünya devletleri için olduğu kadar Türkiye için de en önemli sorunlar arasında yer almaktadır. İşsizliği etkileyen faktörlerin belirlenmesi ve bu faktörler kullanılarak işsizlik tahminleri yapılması, işsizlik sorununa çözüm için hazırlanacak politikaların geliştirilmesinde karar destek bilgisi oluşturulmasına yardımcı olacaktır. Çalışmanın birinci aşamasında bilişsel haritalar yöntemi kullanılarak daha önce Türkiye ile ilgili makroekonomik çalışmaları bulunan beş akademisyenin görüşü alınıp Türkiye’de işsizliği etkileyen faktörler belirlenmiştir. Uzmanlar tarafından belirlenen on bir faktör, çalışmanın ikinci aşamasında çok katmanlı Yapay Sinir Ağı kullanılarak oluşturulan çok değişkenli bir öngörü modeline girdi olarak kullanılmıştır. Çalışmada 1988 ve 2004 yılları arasında dört dö-nemlik veriler kullanılmıştır. En iyi öngörü modeli, oluşturulan 24 değişik model arasından seçilmiştir. Çalışma sonunda en iyi tahmin modellerine mevsimsellikten arındırılmış veri seti ile ulaşıldığı görülmüştür. Çalışmada aynı zamanda çıktı katmanında kullanılan doğrusal ve doğrusal olmayan aktivasyon fonksiyonlarının, ağ performansına belirgin bir etkisi olmadığı, mevsimsel arındırma ve (0.1;0.9) ölçek aralığı kullanılmasının ise ağ öngörü performansını olumlu etkilediği görülmüştür.