آشنایی با جدیدترین روش‌های تحلیل روابط بین اجزاء

آشنایی با جدیدترین روش‌های AI، ML و DL برای تحلیل رابطه بین اقتصاد سایه و توسعه مالی

توجه: این نوشته حاصل ساعت ها جستجو بوده و به عنوان یک انتقال تجربه برای پژوهشگران فعال در حوزه اقتصاد مفید می باشد.

با فرض اینکه  داده های ما به صورت سری زمانی بوده و در آنها اقتصاد سایه به عنوان متغیر وابسته و شاخص‌های توسعه مالی به عنوان متغیرهای مستقل در نظر گرفته شوند، تمرکز روی روش‌هایی است که بتوانند روابط خطی/غیرخطی، علت و معلولی، و الگوهای زمانی را کشف کنند. بر اساس آخرین جستجوهای نویسنده در منابع علمی و مقالات تا سال ۲۰۲۵ (مانند بررسی‌های منتشرشده در ژورنال‌هایی مانند ScienceDirect، arXiv و IMF)، جدیدترین روش‌ها در حوزه هوش مصنوعی، یادگیری ماشین و یادگیری عمیق (AI/ML/DL) برای تحلیل داده‌های اقتصادی شامل ترکیبی از مدل‌های پیش‌بینی، تفسیرپذیر و شبیه‌سازی هستند. این روش‌ها اغلب برای forecasting مالی، مدل‌سازی اقتصاد کلان و پیش‌بینی بحران‌های مالی (مانند تأثیر اقتصاد سایه) استفاده می‌شوند.

در ادامه، جدیدترین روش‌ها را معرفی می‌کنم. انتخاب این روش‌ها بر اساس مقالات اخیر (۲۰۲۳-۲۰۲۵) است که بر hybrid models، explainability و handling time-series تمرکز دارند. برای هر کدام، مزایا و معایب را ذکر می‌کنم. این روش‌ها را می‌توان با پایتون (با کتابخانه‌هایی مانند scikit-learn، TensorFlow، PyTorch، statsmodels و SHAP) پیاده کرد.

۱. Hybrid Models (DL، ML و ترکیب روش‌های آماری)

• توضیح: مدل‌های هیبریدی مانند ترکیب LSTM (از DL) با Random Forest (از ML) و ARIMA (آماری) برای تحلیل سری‌های زمانی اقتصادی. مثلاً در مقالات ۲۰۲۵، hybrid models برای پیش‌بینی روابط بین متغیرهای مالی (مانند GDP و shadow economy) پیشنهاد شده‌اند. این روش ابتدا الگوهای زمانی را با DL استخراج می‌کند، سپس روابط غیرخطی را با ML مدل‌سازی می‌کند.
• مزایا:
  • دقت بالا در داده‌های پیچیده و نویزی (مانند داده‌های اقتصادی ایران با تحریم‌ها).
  • مدیریت روابط علت و معلولی (causal).
  • انعطاف‌پذیر برای داده‌های کوچک/بزرگ.
• معایب:
  • پیچیدگی بالا در پیاده‌سازی و تنظیم hyperparameters.
  • نیاز به داده‌های زیاد برای آموزش DL، که ممکن است در داده‌های کوچک منجر به overfit شود.
  • زمان محاسباتی طولانی‌تر.

۲. Deep Learning with Time-Series Models (مانند LSTM یا Transformer-based Networks)

• توضیح: استفاده از شبکه‌های عصبی عمیق مانند Long Short-Term Memory (LSTM) یا Transformers برای مدل‌سازی سری‌های زمانی. در بررسی‌های ۲۰۲۵ (مانند Deep Learning in Finance survey)، این روش‌ها برای forecasting روابط اقتصادی (مثل تأثیر توسعه مالی روی shadow economy) برجسته هستند. Transformerها (مانند Temporal Fusion Transformers) جدیدتر هستند و attention mechanism برای تمرکز روی متغیرهای کلیدی استفاده می‌کنند.
• مزایا:
  • کشف الگوهای پیچیده و غیرخطی (مثل نوسانات تحریم‌ها).
  • مناسب برای پیش‌بینی آینده (forecasting shadow economy بر اساس شاخص‌های مالی).
  • ادغام آسان با داده‌های چندمتغیره.
• معایب:
  • “جعبه سیاه” (black-box) بودن، که تفسیر روابط را سخت می‌کند بدون ابزارهای اضافی.
  • نیاز به داده‌های حجیم (حداقل چند صد ردیف)؛ در داده‌های کوچک، ممکن است عملکرد ضعیفی داشته باشد.
  • حساس به نویز و نیاز به پیش‌پردازش (مانند normalization).

۳. Explainable AI (XAI) with SHAP or LIME

• توضیح: روش‌های تفسیرپذیر مانند SHAP (SHapley Additive exPlanations) یا LIME (Local Interpretable Model-agnostic Explanations) که روی مدل‌های ML/DL اعمال می‌شوند. در مقالات ۲۰۲۵ (مانند AI in Quantitative Investment)، XAI برای توضیح روابط بین متغیرها (مثل اهمیت شاخص‌های مالی در اندازه اقتصاد سایه) استفاده می‌شود. می‌توان آن را با XGBoost یا Neural Networks ترکیب کرد.
• مزایا:
  • تفسیر آسان روابط (مثل اینکه کدام شاخص مالی بیشترین تأثیر را روی shadow economy دارد).
  • بهبود اعتماد به مدل‌ها در حوزه اقتصاد، جایی که توضیح‌پذیری حیاتی است.
  • سازگار با داده‌های کوچک و می‌تواند روابط علت و معلولی را approximate کند.
• معایب:
  • اضافه کردن لایه تفسیر، که دقت مدل پایه را کمی کاهش می‌دهد.
  • محاسباتی سنگین برای مدل‌های بزرگ.
  • ممکن است توضیحات محلی (per instance) باشد، نه کلی.

۴. Causal Machine Learning (مانند Double ML یا Granger Causality with ML)

• توضیح: روش‌های علت و معلولی مانند Double/Debiased Machine Learning (DML) یا Granger Causality بهبودیافته با ML. در گزارش IMF 2023 (و ادامه در ۲۰۲۵)، این روش‌ها برای مدل‌سازی اقتصاد کلان (مانند رابطه shadow economy و توسعه مالی) پیشنهاد شده‌اند. DML از ML برای کنترل confounders استفاده می‌کند.
• مزایا:
  • تشخیص روابط علت و معلولی (مثل آیا توسعه مالی باعث کاهش shadow economy می‌شود یا برعکس؟).
  • مقاوم به bias در داده‌های observational.
  • ادغام با سری‌های زمانی برای داده‌های اقتصادی.
• معایب:
  • نیاز به فرضیات قوی (مانند no unmeasured confounders).
  • پیچیده برای پیاده‌سازی در داده‌های کوچک.
  • ممکن است overfit اگر متغیرهای زیادی وجود داشته باشد.

۵. Deep Reinforcement Learning (DRL) for Macroeconomic Simulation

• توضیح: استفاده از DRL (مانند DDPG) برای شبیه‌سازی سناریوهای اقتصادی. در مقاله IMF 2023 (و گسترش در ۲۰۲۵)، DRL برای مدل‌سازی روابط پویا در اقتصاد کلان (مانند تأثیر سیاست‌های مالی روی shadow economy) استفاده می‌شود. این روش اقتصاد را به عنوان محیط و متغیرها را به عنوان agents مدل می‌کند.
• مزایا:
  • شبیه‌سازی سناریوهای “چه می‌شود اگر” (مثل تأثیر تحریم‌ها).
  • مدیریت دینامیک‌های پیچیده در سری‌های زمانی طولانی.
  • نوآورانه برای پیش‌بینی روابط غیرخطی.
• معایب:
  • بسیار پیچیده و نیاز به داده‌های شبیه‌سازی‌شده.
  • زمان آموزش طولانی و نیاز به منابع محاسباتی بالا.
  • کمتر مناسب برای تحلیل ساده روابط، بیشتر برای سیاست‌گذاری.

توصیه کلی

• پیشنهاد می شود برای داده‌های کوچک (مخصوصا برای پژوهشگران ایرانی به دلیل عدم دسترسی به داده های زیاد) از روش‌های ساده‌تر مانند Hybrid یا XAI شروع کنید تا از overfit جلوگیری شود. ابتدا داده‌ها را پیش‌پردازش کنید (حذف ناهنجاری‌ها، normalization).
• اگر رابطه علت و معلولی مهم است، Causal ML اولویت دارد.

منابع: این متن بر اساس پژوهش های ۲۰۲۵ مانند “Deep Learning for Financial Forecasting” و “AI meets economics” تهیه شده است.

نویسنده: محمدعلی عرب پور