ARIMA模型对社会消费品零售总额的拟合应用.pdfVIP

第24卷第4期 邢 台 学 院 学 报 Vo1．24．No．4 2009年 12月 JOURNALOFXINGTAIUNIVERSITY DeC．2009 ARIMA模型对 会消费品霉售总额茜9『拟合应用 杜普燕，宋向东，杜红兵，宁 逸 (燕山大学理学院，河北秦皇岛 066004) 摘 要：主要讨论求和 自回归移动平均(ARIMA)模型在我国社会消费品零售总额序列分析中的拟合应用，通过 SAS／ ETS软件中的ARIMA过程实现对该时间序列的季节 自回归移动平均(SARIMA)模型的拟舍和分析，得到理想结果。 关键词：ARIMA模型；社会消费品零售总额；SAS；SARIMA模型 中图分类号：0212 文献标识码 ：A 文章编号：1672—4658(2009)o4—0098—03 社会消费品零售总额是反映经济增长的一项重要指标， ARMA模型的组合，这一关系意义重大，说明任何非平稳序 是研究人民生活、居民消费品购买力、货币流通等问题的重要 列只要通过适当除数的差分实现差分后平稳，就可以对差 指标。因此，对反映消费能力和水平的社会消费品零售总额序 分后序列进行ARMA模型拟合。 列进行分析，将有助于对我国经济走向进行分析并进行相关 2．2 SARIMA模型 决策。由于该时间序列具有明显的趋势效应和季节效应，本文 ARIMA模型可以对具有季节效应的序列建模。根据 采用季节模型(SARIMA)对之进行拟合和分析。 季节效应提取的难易程序，分为简单季节模型和乘积季节 1ARMA模型 模型，统一记为SARIMA模型 。J。 定义1L1J：把具有如下结构的模型称为自回归移动平均 简单季节模型是指序列中的季节效应和其他效应之间 (autoregressivemovingaverage)模型，简记为ARMA(p，g)： 是加法关系，即 =S+ +，f，这时，各种效应信息的提 X1= + 1 一 1+… +~opxt叩+ 一018t一1一 ·一 1 取都比较容易。通常简单的周期步长差分即可将序列中的 (1) 季节信息提取充分，简单的低阶差分即可将趋势信息提取 ≠0，Oq≠0 (2) 充分，提取完季节信息和趋势信息之后的残差序列就是一 E()=0，Var()=or，E(8t8)=0，5≠t (3) 个平稳序列，可以用ARMA模型拟合。简单季节模型的结 E(x )=0，Vst (4) 构通常如下： 若‰ =0，该模型称为中心化ARMA(JP，q)模型，缺省 v。v (6) 默认条件，中心化ARMA(p，q)模型可以简写为： = ＼D ， 1f_l+ … + — +s一01一1一 ·一 一g，引进延迟算 式中D为周期步长，d为提取趋势信息所用的差分阶数。 P 子，ARMA(P,q)模型可以简记为： () ： () 。式 如果序列的季节效应、长期趋势效应和随机波动之间 中：()：1一。B一 ·一 ，为p阶自回归系数多项式， 有着复杂的相互纠缠关系，简单的ARIMA模型并不足以提 取其中的相关关系，这时通常需要采用乘积季节模型。它 O(B)：1—01B一 ·一OqB，为q阶移动平均系数多项式。 的构造原理为：当序列具有短期相关性时，通常可以使用低 2ARMA模型的推广 阶ARMA(p，q)模型提取。当序列具有季节效应，季节效 2．1 ARIMA模型