天津市人均GDP数据.docVIP

天津市人均GDP增长和预测 （金融工程1班 吴垂祯 2008302360112） 一、1.ARMA模型的基本原理 　　将预测指标随时间推移而形成的数据序列看作是一个随机序列，这组随机变量所具有的依存关系体现着原始数据在时间上的延续性。一方面，影响因素的影响，另一方面，又有自身变动规律，假定影响因素为x1，x2，…，xk，由回归分析， 　　 　　其中Y是预测对象的观测值， e为误差。作为预测对象Yt受到自身变化的影响，其规律可由下式体现， 　　 　　误差项在不同时期具有依存关系，由下式表示， 　　 　　由此，获得ARMA模型表达式： 　　 2. 极大极大似然估计 二、数据准备 ( 1) 数据平稳性检查 1978~2009 年天津人均GDP时间序列数据资料见表1。下面绘制天津市人均GDP 数据的时间序列图, 见图1。从图1 可以看出, 近32年来, 天津市人均GDP 呈现出明显的增长趋势, 特别是在1992 年以后呈现出强劲的增长势头。 1978—1991 天津市人均GDP 年平均增长速度为7.0%,而1992~2009 天津市人均GDP 年平均增长速度为12.1%, 呈加速增长趋势; 从1978~2009年整个时期来看, 人均GDP 呈现出指数增长趋势,具有明显的非平稳性。我们知道平稳数据总有一点为0，但是这里没有，而且数据趋势性过于明显，一般都是非平稳时间序列。 ( 2) 数据平稳化处理 如果用非平稳序列来建立模型,就会出现虚假回归问题, 即尽管基本序列不存在任何关系, 也会得到回归模型。当随机变量不平稳时, 统计量的拒绝域远远超过了检验的正常值,由按照一般的检验方法得出的接受假设很可能是错误的。因此, 要建立模型,随机序列必须是平稳的。 　　对于含有指数趋势的时间序列,可以通过取对数将指数趋势转化为线性趋势, 然后再进行差分以消除线性趋势。下面绘制取对数后二阶差分的序列图, 见图2。从图2 我们可以看出, 数据取对数后再进行二阶差分处理, 能很好的消除数据的上升趋势, 使时间序列数据达到较好的稳定性。 三、识别和建立ARMA模型 　　ARMA 模型的识别与定阶可以通过样本的自相关与偏自相关函数的观察获得, 例如: AR(p)模型自相关函数拖尾, 偏自相关函数p 步截尾;MA(q)模型自相关函数q 步截尾, 偏自相关函数拖尾; 而ARMA 模型的自相关函数与偏自相关函数都具有拖尾性。序列的AC 与PAC 见图3。从图3可以看到, 自相关函数( AC) 和偏自相关函数( PAC) 都具有拖尾性。在阶数k1 时, 自相关函数值都落入置信区间内, 这也 说明处理后的时间序列具有随机性。在自相关函数( AC) 中, 当k=5时, 函数值显著不为零, 故q=5;在偏自相关函数( PAC) 图中, 当k=3 时, 函数值显著不为零, 故选p=3。由于原始时间序列数据进行了差分处理, 故采用ARMA(p, q, d)模型, 其中d 为平稳化过程中差分的次数, 因为在变化数据时进行了二阶差分, 故d=2, 初步确定模型为ARMA(3, 2, 5)模型。在PAC 图中, 我们看到当k=2, 4时函数值也显著不为零, 以下是当p=2, 4时的几个模型的比较。 从表2 比较结果看出, ARMA(3, 2, 5)模型的标准误差、AIC 值和BIC 值都比其他模型的小, 而它的对数也就比其他模型的大, 说明ARMA(3, 2, 5)模型更适合数据的预测。 模型的检验 1.我们通过直观判断—观察自相关图残差序列的自相关与0无显著不同，或说基本落入随机区间，说明其为白噪声。 2.通过 五、天津市2011 ~2014年经济增长的预测分析 通对ARMA 模型的识别可以看出, 采用ARMA(3, 2, 5)模型可以较好的拟合天津市人均GDP 的实际值, 利用这一模型对天津市2011~2014年的人均GDP 进行预测, 得到2006 年人均GDP 的预测值为40285.15 元, 和实际值40961 元相比, 预测结果的绝对百分误差仅为1.678% , 预测结果还算准确。其它四年的预测结果见表3。 从预测结果来看, 天津市人均GDP 有望在今后几年保持平稳高速增长。由此说明, 天津市在“十一五”期间, 由于还会遇到很多不确定因素, 因此不要一味地追求每年都达到较高的经济增长速度, 而要综合考虑未来四年的发展环境, 制定科学合理的经济发展战略。