基于ARIMA模型下的时间序列分析与预测——以江苏省社会消费品零售总额为例.pdfVIP

FINANCEECONOMY 金融经济 “?h? 1一 +| j?“i 基于ARIMA模型下的时间序列分析与预测 以江苏省社会消费品零售总额为例 口万艳苹 摘要：大多数的时问序列存在着惯性，或者说具有迟缓性。通 1957 26．77 1976 69．23 1995 1650 过对这种惯性的分析。可以由时间序列的-3前值对其未来值进行估 1958 29．7 1977 72．9 1996 1932．89 计。本文以1949年到2004年江苏省社会消费品零售总额数据为研 1959 33．3 1978 84．79 1997 2118．12 究对象．将这些数据平稳化并做分析。发现ARIMA(1，1，2)模 型能比较好的对江苏省社会消费品零售总额进行市时闻序列分析和 1960 34．36 1979 99．16 1998 2238．01 预测，。 1961 31．12 1980 122．561999 2394．1 关键词：ARIMA；江苏省消费品零售总额；时间序列分析 一、引言 1962 33．04 198l 134．7920()o 2604．1 江苏省是一个经济大省，经济一直保持平稳较快增长，城乡居 1963 30．85 1982 150．01 200l 2869 民收入都位于全国前茅，消费品需求旺盛，人们生活水平比较高。 19“ 33．57 1983 169．122002 3215．8 其中社会消费品零售总额是反映人民生活水平提高的一个很好的指 标。所以对社会消费品零售总额做分析就比较重要。但是影响社会 1965 36．79 1984 205．052003 3566．5 消费品零售总额的因素有很多，包括收入、住房、医疗、教育以及 1966 39．49 1985 262．572004 4159．7 人们的预期等很多因素，而且这些因素之间又保持着错综复杂的联 系。因此运用数理经济模型来分析和预测较为困难。所以本文采用 1967 42．55 1986 304．58 ARIMA模型对江苏省的社会消费品零售总额进行分析，得出其规律 我们定义江苏省社会消费品总额序列为Y。首先我们用 性，并预测其未来值。 EVIEWS软件对上述数据做了线性图，图形如图l所示： 二、ARIMA模型的说明和构建 ARIMA模型又称为博克斯一詹金斯模型。ARIMA模型是由三 个过程组成：自回归过程(AR(P))；单整(1(d))；移动平均 过程(MA(q))。AR(P)即自回归过程，是指一个过程的当前 值足过去值的线性函数。如：如果当前观测值仅与上期(滞后一 期)的观测值有显著的线性函数关系，则我们就说这是一阶自回归 过程，记作AR(1)。推广之，如果当前值与滞后P期的观测值都 有线性关系则称P阶自回归过程，记作AR(P)。MA(q)，即移动 平均过程，是指模型值可以表示为过去残差项(即过去的模型拟合 值与过去观测值的差)的线性函数。如：MA(1)过程，说明时同 序列受到滞后～期残差项的影响。推广之，MA(q)是指时间序列 受到滞后q期残差项的影响。单整，是指将一个非平稳时间序列转 化为平稳序列所要进行差分的次数。意义在于使非平稳序列转化为 平稳序列，实现短期的均衡。 图1 三、数据来源及数据的平稳化 本文采用的数据是江苏省1949年到2004年的社会消费品零售 总额，数据来源