基于Gramer分解定理对我国就业人数变化趋势分析及预测.docVIP

基于Gramer分解定理对我国就业人数变化趋势分析及预测 摘要：本文基于时间序列的Gramer分解定理，利用我国就业人数1978年到2007年的历史数据进行实证研究，建立确定性趋势模型和ARMIA模型的组合模型。最后得出组合模型能够很好的预测我国的就业人数，然后运用模型对我国就业人数进行短期预测和分析。 关键词： ?就业人数? Gramer分解定理? 趋势外推 ?ARIMA模型? 预测 一、研究背景 我国是世界上人口最多的国家，而且未来10年，人口将呈继续增加的趋势，因而也成为世界上就业压力最大的国家之一。随着改革的深化,我国劳动力供需矛盾日益突出,失业人数的增加一直困扰着我国经济的发展。21世纪前20年是我国社会经济发展的重要转折阶段,而这一阶段我国国情当中存在的一个突出问题就是严重的就业问题。目前,中国就业形势十分严峻。就业问题直接关系到社会的稳定和经济的发展，所以，就业问题是一个不容忽视的问题。如果能够利用比较科学而合理的就业人数模型对未来的能源需求做出准确的预测，这无疑对制定合理的相关政策具有深远的意义。就业人数往往受许多因素的制约，而且这些因素之间又保持着错综复杂的联系，因此，运用结构性的因果分析和预测往往比较困难.“如果选择预测模型的标准是追求预测精度的极大化，则最好选择时间序列模型”。 二、相关理论概述及模型选择 1938年，H.Wold在他的博士论文“A Study in the Analysis of Stationary Time Series”中指出：对于任何一个离散平稳过程{ }，它都可以分解为两个不相关的平稳序列之和，其中一个为确定性的，另一个为随机性的，记作 ，其中，{ }为确定性时间序列，{ }为随机虚礼，且 ，它需要满足如下条件： ； ； 。Wold分解定理是现代时间序列分析理论的灵魂，但这个分解定理只能分析平稳序列的构成。随后，Gramer于1961提出Gramer分解定理，证明了这种分解思路同样适用于非平稳序列。 时间序列分析方法包括确定性时间序列分析方法和随机性时间序列分析方法，确定性时间序列分析方法就是设法消除序列中的随机波动项，拟合确定趋势。这种方法可用来作长期粗略的预测，但是其预测结果往往不准确；随机时间序列分析方法弥补了确定性因素分解法的不足，提高了预测精度，但是对于非平稳的序列，如果先通过差分，会丢失原序列的信息。20世纪60年代，Bates和Granger提出了组合模型理论，组合模型克服了单一模型的局限，有效地集合了更多信息,提高预测结果的可行度。 因此，本文首先采用趋势外推预测模型，然后运用ARIMA模型进行进一步处理二次曲线模型中的残差序列,最后运用你组合模型预测我国就业人数。 三、组合模型的建立 根据Gramer分解定理的思想，将趋势拟合法和ARIMA模型相结合，得到： ? ? ? ? ? ? 其中， 为确定性趋势，t为时间变量； 为长期趋势的残差，服从ARIMA(p,d,q)过程，B为滞后算子， 为白噪声。 四、实证研究 本文共收集了从1978年至2007年共30期的全国就业人数的数据进行建模研究。 1、做趋势图 图1 从图1可以看出，1978年到2007年我国就业人口数量的动态变化表现出显著的上升趋势和随机变动。 2、确定性部分模型拟合 在SPSS中分别采用线性模型、二次曲线、三次曲线、对数模型、生长曲线、指数和混合模型拟合序列中的确定部分，通过比较和拟合优度，进行相关检验，显示二次曲线效果最好。 表1? 模型拟合比较表 ? R Square F df1 df2 Sig. 线性模型 0.944479 476.3142 1 28 0 对数曲线模型 0.882822 210.9534 1 28 0 二次模型 0.977109 576.2443 2 27 0 三次曲线模型 0.98097 446.7558 3 26 0 复合模型 0.920414 323.8196 1 28 0 生长曲线模型 0.920414 323.8196 1 28 0 指数曲线模型 0.920414 323.8196 1 28 0 从表1可以看出拟合优度最大的R为二次曲线和三次曲线模型，分别为0.977109和0.98097。二次曲线和三次曲线系数的t值和显著性（见附表一），从表中得知二次曲线模型的各系数都通过t检验，因此采用二次曲线模型，模型如下所示： 3、对残差序列进行平稳性检验 表2? PP检验的结果 PP检验 1% -3.6752 -2.822261 ? 5% -2.9665 ? ? 10% -2.6220 ? 从表2可以看出，在显著性水平为10%的情况下，可以近似看做该序列为平稳序列。 4、对残差序列进行纯随机性检验 利用LB统计量对已经平稳的一阶差分序列进行纯随机性检