صادقی، حسین و مهدی ذوالفقاری. (1390). «مبانی مدل‌های پیش‌بینی در علوم اقتصادی»، چاپ اول، انتشارات نور علم، تهران.## صالحی سربیژن، مرتضی. (1395). «مدلسازی و پیش بینی رشد اقتصادی ایران با استفاده از مدل های ARIMA ، مارکف سوئیچینگ و ANFIS»، فصلنامه پژوهش‌های رشد و توسعه اقتصادی، سال ششم، شماره‌ی 24. صص55-68. ##عباسی نژاد، حسین و احمد محمدی. (1386). «پیش‌بینی نرخ ارز با استفاده از شبکه‌های عصبی و تبدیل موجک»، مجله نامه مفید، سال سیزدهم، شماره‌ی 60. صص 42-19. ##گجراتی، دامودار. (1386). مبانی اقتصادسنجی، حمید ابریشمی، تهران، انتشارات دانشگاه تهران. ##مرکز آمار ایران، نشریات حساب‌های ملی– فصلی، پایگاه اطلاعات داده‌ها. ##منهاج، محمدباقر. (1379). «مبانی شبکه‌های عصبی مصنوعی»، انتشارات دانشگاه صنعتی امیرکبیر. ##نوروشیس، ماریای. (2014). «شبکه‌های عصبی در SPSS»، امیررضا فتحی پور جلیلیان و مازیار نجبا، تهران، انتشارات کیان رایانه سبز. ##نوفرستی،محمد و محبوبه بیات. (۱۳۹۴).«پیش‌بینی رشد اقتصادی ایران به کمک الگوی داده‌های ترکیبی با تواتر متفاوت»، فصلنامه اقتصاد و الگوسازی، دوره‌ی ۴، شماره‌ی 14-15. صص1-23. ##هیماس، سائول. (2009). «پیش‌بینی و مدل‌های اقتصادسنجی»، محمد صادق الحسینی و محسن رنجبر، تهران، انتشارات دنیای اقتصاد. ##
Bates, D.M. & D.G. Watts. )2007 .(Nonlinear Regression Analysis and Its Applications, second edition, Wiley publications. ##- Costanzo, S., L. Trigo, L. Jimenez & J. Gonzalez. (2007). A Neural Network Model of the Venzuelan Economy, Audio, Transactions of the IRE Professional Group on. ## Diebold, F.X. (2009). Elements of forecasting, international Thomson publishing. ##Dokić, A. & J. Srđan. (2017). Evaluation of agriculture and industry effect on economic health by ANFIS approach, Physica A: Statistical Mechanics and its Applications, Elsevier, vol.479(C), pp: 396-399. ##Gan, W.B. & F.C. Wong. (1993). A Bayesian Vector-autoregression Model for Forecasting Quarterly GDP, The Singapore Experience, Singapore Economic Review, vol.38(2), pp:15-34. ##Gao, Zh., J. Yang & Sh.Tan. (2013). Forecasting Chinese GDP with Mixed Frequency Data Set:A Generalized Lasso Granger Method, Advances in Swarm Intelligence Lecture Notes in Computer Science Vol. (7929), pp: 163-172. ##Gu, P., X. Wang & Y. Chen. (2012). Research on GDP forecast and its relationship with energy consumption., Advances in Applied Economics and Finance, Vol. 4. No.1. ##Jang, J.-S.R. (1993). ANFIS: adaptive-network-based fuzzy inference system, IEEE Transactions on Systems, Man and Cybernetics, vol.23 (3), pp: 665-685. ## Kock, A.B., T. Teräsvirta.(2011). Forecasting Macroeconomic Variables using Neural Network Models and Three Automated Model Selection Techniques, CREATES Research Paper, pp: 2011-27. ##Mladenović, I., M. Milovančević, & S. Sokolov-Mladenović. (2017). Analyzing of innovations influence on economic growth by fuzzy system, Quality & Quantity:International Journal of Methodology, Springer, vol.51(3), pp:1297-1304. ##Mirbagheri, M. (2010). Fuzzy-Logic and Neural Network Fuzzy Forecosting ofIran GDP Growth. African Journal of Business Management, vol.4(6), pp: 925-929. ##Olson, D. & C. Mossman. (2003). Neural Networks of Canadian Stock Returns Using Accounting Ratios. International Journal of Forecasting, vol.19(3), pp: 453-465. ## Ramsey, J. B. & C. Lampart. (1998).The Decomposition of Economic Relationships by Time Scale Using Wavelets: Money and Income, Macroeconomic Dynamics, vol.2(1), pp:49-71. ##Stock, James H. & Mark W. Watson. (2006). A Comparison of Linear and Nonlinear Univariate Models for Forecasting Macroeconomic Time Series, June NBER Working Paper 6607. ##Stokton, D.J., & J.E. Glassman.(1987). An Evaluation of the Forecast Performance of Alternative Models of Inflation. The Review of Economics and Statistics, vol.69(1), pp: 108-17. ##Zhang, G.P. & M. Qi. (2005). Neural Network Forecasting for Seasonal and Trend Time Series, European Journal of Operational Research, vol.160(2), pp: 501-514. ##
)