基干ARIMA模型对销售总额预测探析.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 641496 |t|Lag MA1，11557140106091468 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 1052397799930254688-3532010083276097 1065606345433918242-10415079122541988 1072968000134254641-3745786196817863 从结果中我们可以，看到未来三期的预测值 2008年10月销售总额增量； 2008年11月销售总额增量； 2008年12月销售总额增量 拟合预测图见图3： 图3中黑色带星为真实值一阶差分后的曲线，红色线为拟合曲线，绿色为95%的预测区间 8结论 在本文中，我们将某公司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。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。首先，对数据进行序列图的观察。通过观察，我们看到序列存在趋势因素，然后我们通过差分，去除此因素。通过对差分后数据的观察，以及相关系数图的观察确定为平稳时间序列，以及对偏相关系数图的观察，序列的白噪声检验，确认了序列符合建立ARMA模型的条件。然后，我们对数据行建模。通过t检验，以及残差白噪声检验，最终我们得出模型。最后，我们通过模型进行短期的预测。通过最后三期真实值与预测值的对比，相对误差都小于5%，我们可以认为我们的预测是比较准确的。在此基础之上，我们用全部数据进行分析，得出了未来五期的相对上一期的预测增量 参考文献： [1]陈兆国时间序列及其谱分析[M].北京：科学出版社，1998 [2]王燕应用时间序列分析方法[M].北京：人民大学出版社，2012 [3]詹姆斯D汉密尔顿时间序列分析[M].刘明志，译.北京：中国社会科学出版社，1999 [4]Clev