2016时间序列分析论文..docVIP

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 }满足： 其中：是独立同分布的随机变量序列，并且对于任意的t，E()=0，Var()=0，则称时间序列{}服从p阶自回归模型，记为AR（p）。 （二）移动平均过程模型MA(q) 如果时间序列{}满足： 则称时间序列{}服从q阶移动平均模型，记为MA（q）。是 q 阶移动平均模型的系数。 （三）自回归移动平均过程ARMA(p,q)模型 如果时间序列{}满足： 此模型是模型AR(p)与MA(q)的组合形式，记作ARMA(p,q)。当 p=0 时，ARMA(0, q) = MA(q)；当q = 0时，ARMA(p, 0) = AR(p)。 表3-1 ARMA模型特征 模型 自相关系数 偏自相关系数 AR(p) 拖尾 P阶截尾 MA(q) q阶截尾 拖尾 ARMA(p,q) 拖尾 拖尾 （四）ARIMA（p,d,q）过程模型 对于非平稳序列，经过几次差分后，如果能得到平稳的时间序列，就称这样的序列为单整序列。设是 d 阶单整序列，记作：～ I(d)。 如果时间序列经过d次差分后是一个ARIMA(p,q)过程，则称原时间序列是一个p阶自回归、d阶单整、q阶移动平均过程，记作ARIMA（p,d,q），其中d代表差分的次数。 （五） ARIMA模型预测的基本程序 差分平稳序列在经过差分后变成平稳时间序列，之后的分析可以用ARMA模型进行，差分过程加上ARMA模型对差分平稳序列进行的分析称为ARIMA模型。基本程序为： (1)根据时间序列的散点图、自相关图和偏自相关图，以及ADF单位根检验观察其方差、趋势及其季节性变化规律，识别该序列的平稳性。 (2)数据进行平稳化处理。如果数据序列是非平稳的，则需对数据进行差分处理。对数据进行对数转换可以减低数据的异方差性。 (3)根据时间序列模型的识别规律，建立相应的模型： ①若平稳时间序列的偏相关函数是截尾的，而自相关函数是拖尾的，则可断定此序列适合AR模型；②若平稳时间序列的偏相关函数是拖尾的，而自相关函数是截尾的，则可断定此序列适合MA模型；③若平稳时间序列的偏相关函数和自相关函数均是拖尾的，则此序列适合ARMA模型。 (4)进行参数估计。 (5)进行模型假设检验。 (6)进行模型预测。 图3-1 ARIMA模型预测的基本程序图 模型建立 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