案例八、时间序列预测法在国民生产总值预测的应用.docVIP

时间序列预测法在国民生产总值预测的应用 一、相关说明 表1是某地区1990年1月—1997年12月国内生产总值（GDP）（单位：万元）的月度资料（1990年不变价格），记为，共有96个数据，请根据数据建立2004年12月某地区国内生产总值的预测模型。 表1 1990年1月到1997年12月某地区工业总产值 单位：万元 二、分析和预测过程 将表1中的数据绘制成折线图．如图1所示，我们看到时间序列具有明显的增长趋势，并且含有周期为12个月的季节波动，即序列是非平稳的，我们将利用差分和变换使其平稳。 图1 某地区工业总产值折线图 为了消除趋势同时减少序列的波动，我们对时间序列t做一阶自然对数逐期差分，即： 我们计算新的序列的自相关函数和偏自相关函数，具体结果见图2，从中可以见到序列的趋势基本消除了，但是当k＝12时，样本的自相关函数和偏自相关函数显著不为零，这表明存在季节性。 图2 序列自相关函数分析图 为了消除季节波动，我们对于序列做自然对数的季节差分，即： 我们再得到新的序列，对其作相关关系，具体结果见图3。 图3 序列自相关函数分析图 由图3我们可以看到，序列的样本自相关函数和偏自相关函数很快地落人随机区间，所以，时间序列的趋势基本消除，但是在k=12时取值仍然很大，季节性依然比较明显。我们对序列进一步做季节差分发现效果不佳，因而略去。因此，我们对于时间序列只做了一阶季节差分。为了弥补这一缺陷，我们将采用如下模型： 关于序列我们计算其样本均值为－0.002，均值的标准误差为0.003 7，序列的均值与0无明显的差异，由于序列的自相关函数和偏自相关函数均呈拖尾现象，所以，我们可以对序列建立ARMA模型。根据图2和图3观察序列，我们认为p=2或p＝3较为合适，而且可以看到q＝1，由于AR模型的参数估计较MA和ARMA模型的参数估计容易，并且参数意义也便于解释。所以，在实际建模时常常希望利用高阶的AR模型替换相应的MA和ARMA模型。综上所述，我们选取如下(p，q)组合：(3，1)．(4，0)，(2，1)和(3，0)。经过计算，我们认为关于序列拟合ARMA(2，1)模型的效果明显不如其他三个模型，因而舍去。我们将三个模型的参数估计和相关检验结果分别列入表2和表3。 表2 各个模型的参数估计结果 表3 各个模型的检验结果 经过计算，三个模型都满足ARMA模型的平稳条件和可逆条件，模型设定合理。另外，残差序列白噪声检验的伴随概率显示，各个模型残差都满足独立性假设，模型拟合效果较好。比较表3中的各项检验结果，与前两个模型相比，第三个模型的AIC和SC值较小，试预测的MAPE值显示其预测精度最高，只有调整后的样本决定系数(Adjusted )略差于第二个模型，但是也较第一个模型高。综上所述．我们决定选择第三个模型作为时间序列的预测模型，即： 根据历史数据，利用此模型，我们可以给出其预测值，具体结果见表4。 表4 某地区1998年工业总产值预测结果 单位：万元