基于时间序列模型的中国GDP增长预测分析.docVIP

　　基于时间序列模型的中国GDP增长预测分析 基于时间序列模型的中国GDP增长预测分析 　　1 引言 　　作为度量一个国家或地区所有常住单位在一定时期之内所生产和所提供的最终产品或服务的重要总量指标，国内生产总值（英文Gross Domestic Product，简写为GDP）对于判断经济态势运行、衡量经济综合实力、正确制定经济政策等诸多方面，以及在经济研究实际工作中，均起着不可替代的重要作用。自从国家统计局于1985年建立相关制度以后，GDP核算已经成为决策层掌握宏观经济运行状态的重要手段，如果能够对GDP做出正确的预测，必然可以有效引导宏观经济健康发展，为高层管理部门提供决策依据，从而也为制定宏观经济中长期发展规划、区域经济发展战略和宏观经济政策提供坚实的保障。 　　熊志斌（2011）深入分析了时间本文由.LA模型和NN模型，并根据一定算法对两种模型进行了集成。将GDP时间序列的数据结构，根据在非线性空间和线性空间的预测优势，进一步分解为线性非线性残差和自相关主体两部分，即首先用ARIMA分析技术构建线性主体模型，然后用NN模型估计非线性残差，再对序列的整个预测结果进行最终集成。仿真实证结果表明：与单一模型相比，集成模型的预测准确率显著提高，进行GDP预测当然使用集成模型更为有效[1]。桂文林和韩兆洲（2011）认为由于迄今为止，包括季度GDP在内的经季节调整之后的经济数据，中国政府尚未进行公布，不但无法进行国际之间的横向比较，也不利于监测中国宏观经济态势。本文运用1996年第1季度至2009年第4季度的中国实际GDP数据，构建了状态空间模型，使用卡尔曼滤波迭代算法对季节调整模型状态向量的各分量，进行了最优平滑、预测和估计，并使用极大似然方法估计了超参数。经过对GDP的主要季节和趋势特征分析的基础上，计算出了环比增长率指标来监测和分析经济走势，并与国际通用的TRAMO-SEATS季节调整模型进行了对比，以便鉴别趋势拐点，制定相关的经济政策[2]。高帆（2010）运用1952年至2008年的上海GDP增长率数据，实证研究其内在变动机制，将GDP增长率分解为纯生产率效应、纯劳动投入效应、纯生产结构效应、纯劳动结构效应，并分析了这四种效应之间的交互影响。实证研究结果表明：在上海GDP增长率提高的四种效应之中，纯生产率效应起到了关键作用。上海GDP增长率自1978年改革开放之后，在整体上对纯生产率效应的依赖度趋于增强。在1978年至1989年期间，纯劳动结构效应是GDP增长的主要因素，由于市场化改革的进一步加大，劳动力跨部门流转在很大程度上得以实现。在1990年至2008年期间，纯生产率效应是GDP增长的主要因素，正是由于在此历史阶段，由于资本深化进一步加速，从而有效提高了部门劳动生产率。基于实证的研究结论，可以针对性地制定出今后上海市经济实现持续增长的若干宏观政策[3]。腾格尔和何跃（2010）利用中国季度GDP数据分别构建了ARIMA和ARCH模型，同时利用GMDH自组织方法尝试建模，经过Bon-ferroni-Dunn检验，表明与单一模型相比，组合模型的拟合能力更强。预测分析的实证研究表明，基本GMDH组合的GDP模型预测精度更高，无论是经济正常增长时期，还是在经济出现较大波动时期，组合模型的可靠性与准确性都相对较高[4]。 　　传统预测方法的原理其实非常简单，主要是抓住事物趋势的典型特征，然后推测某些社会经济现象的发展变化。时间序列模型预测是在充分掌握历史数据的基础之上，分析目标对象随着时间改变的发展规律，从而准确预测其未来的变化情况。时间序列建模本质上属于外推法，也就是通过对时间序列的处理来研究目标变化，然后利用外推机制将内在规律推演到未来。由于在GDP分析和预测的实际应用中，传统方法运用存在很大的难度，而ARIMA 模型是目前经济预测中的公认的比较先进的时间序列模型之一，因此本文选用的ARIMA模型对中国1952年至2010年的GDP总量进行短期预测，具有重要的现实意义和学术价值。 　　2 时间序列模型 　　2.1 ARIMA模型的一般介绍 　　时间序列进行分析的基本思想是：某些数据序列可以看作是随着时间t 而随机变化的变量，该序列的单个数据构成序列值虽然不确定，但是整个序列却呈现一定的变化规律，可以用数学模型去近似地描述。现实社会中，人们常常运用时间序列ARIMA 模型来进行实证研究，以达到最小方差意义下的最优预测效果[5]。ARIMA模型，英文名称为autoregressive integrated moving average，全称为求和自回归移动平均模型，简记为ARMA（p，d，q），模型结构如下： 　　 　　2.2 ARIMA模型的简洁定义 　　定义之一：如果通过 次差分，序列 能够变为平稳，但 序列，也就是