2016时间序列分析论文.doc

雄起市1978-2015年GDP时间序列模型分析预测 摘要： 本文以雄起市1978-2015年二十年间的每年GDP为原始数据，利用EVIEWS软件判断该序列为平稳序列且为非白噪声序列，通过对数据一系列的处理，建立ARIMA模型拟合时间序列，由于时间序列之间的相关关系和历史数据对未来的发展有一定的影响，对我市的GDP进行了短期预测，阐述GDP时间序列所表现的变化规律。 关键字：雄起市 GDP；时间序列；ARIMA模型国内生产总值（GDP=Gross Domestic Product）GDP增长 数据的选择 1978-2015年雄起市GDP的绝对值和增长速度的数据 年份 GDP 增速 1978 15561 11.65 1979 17616 12.81 1980 18313 1.95 1981 18856 1.20 1982 22473 19.04 1983 21474 -4.32 1984 23885 17.05 1985 27124 14.23 1986 31424 12.29 1987 34658 12.39 1988 38852 12.42 1989 47097 3.73 1990 50575 5.57 1991 54387 3.25 1992 74877 16.13 1993 80705 13.52 1994 90633 11.06 1995 108265 9.33 1996 114373 8.85 1997 123404 7.47 1998 128737 5.19 1999 147936 10.70 2000 168240 10.80 2001 188860 11.00 2002 213279 12.00 2003 242093 13.10 2004 281950 12.80 2005 331687 15.00 2006 390912 15.10 2007 478581 15.15 2008 569674 11.50 2009 622426 14.30 2010 755320 15.20 2011 935385 19.70 2012 1101648 15.40 2013 1268310 15.87 2014 1539212 15.40 2015 1716712 13.90 数据来源：雄起市1978-2015年统计年鉴 平稳性检验及修正 对历年雄起市GDP绝对值进行平稳性检验。 时序图 利用Eviews软件画出时序图，如图一、对雄起市GDP的增长速度进行平稳性检验，平稳的时间序列可以看做一条围绕其均值上下波动的曲线。若时间序列的统计规律随着时间的位移而发生变化，则为非平稳序列。 （图一）、原始数据的时序图 由以上时序图可以看出序列无波动现象且呈上升趋势明显，可判断不具有平稳性，需要进行平稳化处理。首先对原始数据取自然对数，降低数据的异方差性，令，所得结果绘制时序图，见（图二）， （图二）、原始数据的对数时序图 可以看到序列仍然有明显上升趋势，即是雄起市GDP数列取对数后仍然具有很强的非平稳性。 继续做其自相关检验，如（图三）： 自相关图 （图三）、对雄起市GDP绝对值取对数后进行自相关检验图 通过观察（图三），可以看出自相关图呈拖尾性，为不平稳时间序列。 （3）对GDP绝对值取对数后进行一阶差分，并对差分后的序列{d(x}进行单位根检验。 一阶差分后的时序图，如（图四）： （图四）、一阶差分后的时序图 从（图四）大致看出，一阶差分后，序列波动在某个数值上下波动，可能是平稳序列。为进一步判断其为平稳序列，继续做其自相关检验，如（图四） （图四）、对雄起市GDP的绝对值一阶差分后进行自相关检验图 根据（图四）可判断该序列可能为平稳序列，为了更加准确的判断一阶差分后的序列是否为平稳序列，下面对差分后的序列进行单位根检验。 （图五）一阶差分的单位根检验 由单位根检验结果可知，ADF根检验T统计量的值为-6.063935，比置信水平1%、5%和10%的临界值的绝对值都要大，除此之外，P值远远小于0.05，由此得出一阶差分后的序列为平稳序列，下一步进行模型建立及参数检验。 模型的建立与参数估计 根据一阶差分后的自相关图和偏自相关图来对模型进行识别。对模型的p值和q值进行筛选用Eviews软件作出直到滞后20期的ACF和PACF图，（图四）。从（图四）中根据拖尾和截尾的情况来看，由图可以看出，一阶差分后序列的自相关系数在滞后二期后呈衰减趋于零，表现为拖尾性；在偏自相关分析图中，滞后二期的偏自相关系数