基于ARIMA模型对销售总额的预测分析.docVIP

基于ARIMA模型对销售总额的预测分析 　　[摘要]在自然科学和社会科学各研究领域中，大量决策问题都离不开预测，预测是决策的基础。近年来，ARIMA模型得到了极大的发展，越来越多的应用在各个领域的分析中，本文我们对某公司2000年1月到2008年12月的8种商品的销售总额的数据作为分析的样本进行分析，建模，预测未来三期的值。为了验证预测的准确性，我们去掉了后三期的数据，作为预测目标，以便对真实值与预测值进行有效的对比，结果预测基本准确，最终我们得出预测五期的增量。 　　[关键词]时间序列；ARIMA模型；预测 　　[DOI]1013939/jcnkizgsc201538095 　　1判断序列的平稳性 　　某企业商品的销售总额数据（数据见附录）的时序图见图1。 　　2对原序列进行差分运算 　　时序图显示该序列具有一个线性递增趋势。所以对原序列先做异步差分，提取线性递增趋势[2]。 　　xt=xt-xt-1 　　一步差分后的序列{xt}时序图，见图2： 　　时序图显示出差分后序列在均值附近比较稳定的波动。为了进一步确定平稳性，考察1阶差分后序列的自相关[3]，可以看到在短期内1～5阶的区间内相关性急速增大，又急速减小，后期基本都小于二倍的方差，认为自相关图显示序列有短期的相关性，所以，可以初步认为一阶差分后序列平稳[4]。 　　3对平稳的1阶差分序列进行白噪声检验 　　对1阶差分后序列进行白噪声检验，结果如下： 　　Autocorrelation Check for White Noise 　　ToChi-Pr 　　LagSquareDFChiSqAutocorrelations 　　64149600001-0031-0265-0323-020701720358 　　12915412000010188-0095-0367-027600840405 　0173-0345-014900030360 　0079-0207-0234 　　在检验的显著性水平取为005的条件下，所有的延迟阶数对应的p值都小于005，所以该差分序列不能视为白噪声序列。 　　4对平稳非白噪声差分序列拟合ARMA模型 　　从自相关图与偏自相关图来看，偏自相关值与自相关值都有一些值大于2倍的方差，所以认为序列相关图显示出不截尾性，考虑构造ARMA（1，1）模型拟合1阶差分后序列，但结果残差自相关检验结果中，LB统计量的p值都小于005，所以说模型不显著，还有可提取部分。 　　经过筛选，ARMA（2，3）模型显著，其参数估计如下： 　　Conditional Least Squares Estimation 　　StandardApprox 　　ParameterEstimateErrort ValuePr |t|Lag 　　MA1，11557140106091468000011 　　MA1，2-137403014833-926000012 　　MA1，3036736010822339000103 　　AR1，11050350026254001000011 　　AR1，2-100000002630-3803000012 　　结果中显示其参数估计的T统计量的p值都小于005，所以参数估计显著。 　　5对残差序列进行检验 　　残差自相关检验结果如下： 　　Autocorrelation Check of Residuals 　　ToChi-Pr 　　LagSquareDFChiSqAutocorrelations 　　6353100604-00410009-0070-0108 　　129047024990045-0143 　　18135313040810051-010701010058 　　2418621904816-0008004201450015 　　我们从结果中看到，所有的p值中都小于005，不能接受原假设，即残差不存在相关性，所以认为该拟合模型显著成立[5]。 　　6拟合模型的具体形式 　　模型拟合结果如下 　　ARIMA（2，1，3）模型为： 　　（1-105035B+1B2）（1-B）Xt=at（1-155714 B+137403B2-036736B3） 　　7ARIMA模型预测 　　FForecasts for variable sum 　　ObsForecastStd Error95% Confidence Limits 　　10523977999302