居民消费价格指数的时间序列分析.docVIP

中南大学数学学院 大学生课程设计 课程设计名称：时间序列分析 专 业 班 级：统计09—1 题目：居民消费价格指数的时间序列分析 姓名：杨茹岚 学号：1304090109 指 导 教 师：唐立  居民消费价格指数的时间序列分析 杨茹岚 统计0901 1304090109 摘要： 时间序列分析是一种根据动态数据揭示系统动态结构和规律的统计方法。本文以我国2007年1月至2011年4月居民消费价格指数为研究对象，基于居民消费价格指数存在明显的非平稳性和季节性特征，运用自回归移动平均季节模型进行建模分析，并利用SPSS建立了居民消费价格指数时间序列的相关关系模型，并对其进行预测，取得较好的效果。 关键词：居民消费价格指数 ARIMA Box-Jenkins Pandit-Wu 一、引言 （一）问题的基本情况及背景 居民消费价格指数的调查范围和内容是居民用于日常生活消费品的全部商品和服务项目价格。包括食品、烟酒及用品、衣着、家庭设备用品及维修服务、医疗保健和个人用品、交通和通讯、娱乐教育文化用品及服务、居住等八大类商品及服务项目价格。既包括居民从商店、工厂、集市所购买商品的价格，也包括从餐饮行业购买商品的价格。该指数以实际调查的综合平均单价和根据住户调查有关资料确定的权数，按加权算术平均公式计算 。 居民消费价格指数的高低直接影响居民的生活水平，因此，准确的分析并及时的对居民消费价格指数做出合理的预测，对国家制定相应的经济政策，实行宏观调控，稳定物价，保证经济的增长平稳发展具有重要意义。 （二）问题的提出 时间序列是指同一种现象在不同时间上的相继观察值排列而成的一组数字序列。时间序列预测方法的基本思想是：预测一个现象的未来变化时，用该现象的过去行为来预测未来。即通过时间序列的历史数据揭示现象随时间变化的规律，将这种规律延伸到未来，从而对该现象的未来预测。 （三）问题分析 居民消费价格指数是一个滞后性的数据 二、模型的介绍及说明 （一）时间序列模型的介绍 时间序列是按时间顺序取得的一系列数据，时间序列分析方法有很多，本文主要讨论ARMA模型即自回归移动平均模型的方法。ARMA模型是一类常用的随机时序模型，由博克斯(Box)、詹金斯(Jenkins)创立，简称B—J方法。在B—J方法中，只有平稳的时间序列才能直接建立ARMA模型，这就要求时间序列满足假设条件： (1)对任意时间t，其均值恒为常数； (2)对任意时间t和s，其自相关系数只与时间间隔t-s有关，而与t和s的起始点无关。 这样时间序列的统计特征不随时间推移而变化，称为平稳时间序列。 时间序列建模基本步骤是： (1)用观测、调查、统计、抽样等方法取得被观测系统时间序列动态数据。 (2)根据动态数据作相关图，进行相关分析，求自相关函数。相关图能显示出变化的趋势和周期。 (3)辨识合适的随机模型,进行曲线拟合,即用通用随机模型去拟合时间序列的观测数据。 对于短的或简单的时间序列，可用趋势模型和季节模型加上误差来进行拟合。对于平稳时间序列，可用通用ARIMA模型（自回归滑动平均模型）及其特殊情况的自回归模型、滑动平均模型或组合-ARIMA模型等来进行拟合。当观测值多于50个时一般都采用ARIMA模型。对于非平稳时间序列则要先将观测到的时间序列进行差分运算，化为平稳时间序列，再用适当模型去拟合这个差分序列。 (1)对原序列进行平稳性检验，若非平稳序列则通过差分消除趋势； (2)判断序列是否具有季节性，若有季节波动，则通过季节差分消除季节性； (3)进行模型识别； (4)进行模型定阶； (5)对模型的参数进行估计； (6)对模型的适合性进行检验，即对残差序列进行白噪声检验。 P阶自回归序列记作AR(p)，形如称为自回归系数,是模型的待估参数。q阶移动平均序列记作MA(q)，形如，为移动平均系数，是模型的待估参数。 建立平稳时间序列的ARMA(p,q)模型，其具体形式如下： 其中：为模型的待估参数。 求和自回归移动平均模型（autoregressive integrated moving average model）简称ARIMA（p,d,q）模型，其中AR（p）为自回归模型，MA（q）为滑动平均模型，p、q为各自对应阶数，I表示两种模型结合，d为对含有长期趋势、季节变动、循环变动的非平稳时间序列进行差分处理的次数。ARIMA模型的通式如下： 式中，，，为平稳可逆ARMA（p,q）模型的自回归系数多项式；，为移动平滑系数多项式，{(t}为零均值白噪声序列[10]。ARIMA模型的实质就是差分运算与ARMA模型的组合，任何非平稳序列只要通过适当阶数差分实现差分后平稳，就可以对差分后序列进行ARMA模型拟合。 (二)模型的说明 时间序列分析主要用于： ①