Standard

Моделирование монетарной политики. / Цыбаева, Александра Евгеньевна.

In: ПРОЦЕССЫ УПРАВЛЕНИЯ И УСТОЙЧИВОСТЬ, Vol. 6, No. 1, 2019, p. 491-494.

Research output: Contribution to journalArticle

Harvard

Цыбаева, АЕ 2019, 'Моделирование монетарной политики.', ПРОЦЕССЫ УПРАВЛЕНИЯ И УСТОЙЧИВОСТЬ, vol. 6, no. 1, pp. 491-494. <http://elibrary.ru/item.asp?id=38095813>

APA

Цыбаева, А. Е. (2019). Моделирование монетарной политики. ПРОЦЕССЫ УПРАВЛЕНИЯ И УСТОЙЧИВОСТЬ, 6(1), 491-494. http://elibrary.ru/item.asp?id=38095813

Vancouver

Цыбаева АЕ. Моделирование монетарной политики. ПРОЦЕССЫ УПРАВЛЕНИЯ И УСТОЙЧИВОСТЬ. 2019;6(1):491-494.

Author

Цыбаева, Александра Евгеньевна. / Моделирование монетарной политики. In: ПРОЦЕССЫ УПРАВЛЕНИЯ И УСТОЙЧИВОСТЬ. 2019 ; Vol. 6, No. 1. pp. 491-494.

BibTeX

@article{4ee4f4f2125f4f93a31cf42df6860075,
title = "Моделирование монетарной политики.",
abstract = "Валовой внутренний продукт - это макроэкономический показатель, отражающий рыночную стоимость всех конечных товаров и услуг, произведённых за год во всех отраслях экономики на территории данного государства. Он очень значим для экономики в целом и позволяет оценить динамику экономического ростастраны.Главнойцельюразработкикомпьютеризированнойсистемы прогноза валового внутреннего продукта (ВВП) является разработка научных и теоретико-методологических основ для расчета и прогнозированиядинамикиреальногоВВПнаосновесинтезамакроэкономических моделей. В данной статье описана причинная модель прогнозирования ВВП c помощью линейной регрессии и аппарата нейронных сетей, а также проведен сравнительный анализ представленных методов.",
keywords = "gdp, modeling, neural networks, regression, ввп, моделирование, нейронные сети, регрессия, gdp, modeling, neural networks, regression, ввп, моделирование, нейронные сети, регрессия",
author = "Цыбаева, {Александра Евгеньевна}",
year = "2019",
language = "русский",
volume = "6",
pages = "491--494",
journal = "Процессы управления и устойчивость",
issn = "2313-7304",
publisher = "Смирнов Николай Васильевич",
number = "1",

}

RIS

TY - JOUR

T1 - Моделирование монетарной политики.

AU - Цыбаева, Александра Евгеньевна

PY - 2019

Y1 - 2019

N2 - Валовой внутренний продукт - это макроэкономический показатель, отражающий рыночную стоимость всех конечных товаров и услуг, произведённых за год во всех отраслях экономики на территории данного государства. Он очень значим для экономики в целом и позволяет оценить динамику экономического ростастраны.Главнойцельюразработкикомпьютеризированнойсистемы прогноза валового внутреннего продукта (ВВП) является разработка научных и теоретико-методологических основ для расчета и прогнозированиядинамикиреальногоВВПнаосновесинтезамакроэкономических моделей. В данной статье описана причинная модель прогнозирования ВВП c помощью линейной регрессии и аппарата нейронных сетей, а также проведен сравнительный анализ представленных методов.

AB - Валовой внутренний продукт - это макроэкономический показатель, отражающий рыночную стоимость всех конечных товаров и услуг, произведённых за год во всех отраслях экономики на территории данного государства. Он очень значим для экономики в целом и позволяет оценить динамику экономического ростастраны.Главнойцельюразработкикомпьютеризированнойсистемы прогноза валового внутреннего продукта (ВВП) является разработка научных и теоретико-методологических основ для расчета и прогнозированиядинамикиреальногоВВПнаосновесинтезамакроэкономических моделей. В данной статье описана причинная модель прогнозирования ВВП c помощью линейной регрессии и аппарата нейронных сетей, а также проведен сравнительный анализ представленных методов.

KW - gdp

KW - modeling

KW - neural networks

KW - regression

KW - ввп

KW - моделирование

KW - нейронные сети

KW - регрессия

KW - gdp

KW - modeling

KW - neural networks

KW - regression

KW - ввп

KW - моделирование

KW - нейронные сети

KW - регрессия

M3 - статья

VL - 6

SP - 491

EP - 494

JO - Процессы управления и устойчивость

JF - Процессы управления и устойчивость

SN - 2313-7304

IS - 1

ER -

ID: 78594722