时间序列分析在居民消费水平指数预测中的应用.pdfVIP

2012年3月 广西师范学院学报：自然科学版 Mar．2012 第29卷 第 1期 Joni-halofGuangxiTeachersEducationUniversity：NaturalScienceEdition Vo1．29No．1 文章编号：1002—8743{2012)01—0037—08 时间序列分析在居民消费水平指数预测中的应用 蒙 玉 波 (广西师范大学 数学科学学院，广西 桂林 541004) 摘 要：该文利用 SAS统计软件对我国 1978—2009年 的居 民消费水平指数数据进行分析，分别建立了 ARIMA模型和Auto—Regressive模型，并给出了反映各个模型拟合精度的AIC值和SBC值，进而确立了一个反映 居民消费水平指数变化规律的较优模型 ．最后，利用该模型对 2010年到2014年的全国居民消费水平指数进行了 预测 ．结果表明ARIMA((2)，2，0)模型在短期预测中达到了较高的精度 ． 关键词：时间序列分析 ；居民消费水平 ；ARIMA模型；Auto-Regressive模型；预测 中图分类号：0212 文献标识码：A 1 引 言 时间序列就是按照时间的顺序记录的一列有序数据 ．而所谓的时间序列分析就是对时间序列进行 观察、研究，找寻它变化发展的规律，预测它将来的走势 ．到 目前为止，研究时间序列分析的方法有很 多，其中确定性的时间序列分析方法是传统的时间序列分析在实际中的应用，它包括时间序列的分解、 移动平均法、指数平滑法等等 ．但在实际生活中，不确定性因素所带来的影响对我们更为重要 ．因而以 随机理论为基础的时间序列分析方法随之在 1970年被Box和Jenkins提出，这方法在很大程度上使时 间序列分析在理论上上升到了一个新的高度，也大大提高了预测的精确度 ．目前最常用的平稳时间序 列模型是 自回归移动平均(AutoRegressionMovingAverage)模型 ．它可细分为：AR模型、MA模型和 ARMA模型三大类 ．而对非平稳时间序列有求和 自回归移动平均 (ARIMA)模型和残差 自回归(Auto — Regressive)模型等 ．近些年 ，时间序列分析理论和方法随着计算机的普及、信息技术的迅速发展 日趋 完善 ． 改革开放以来，居民消费水平作为我国经济实力增强的一个重要体现，呈现出了快速增长的趋势 ． 居民消费水平指数是指居民在物质产品和劳务的消费过程中，对满足人们生存、发展和享受需要方面所 达到的程度的相对数 ．它主要通过消费的物质产品和劳务的数量和质量反映出来 ．由于受诸多因素影 响，我们不能用固定模式对居民的消费水平进行预测 ．因而本文根据 1978—2009年国内居民消费水平 指数数据建立相关模型，并对其进行了分析与研究，结果发现该模型能准确分析国内居民消费水平指数 的变化规律，利用它对未来进行短期预测具有一定的理论和现实意义 ． 2 时间序列模型的建立和实证分析 2．1 时间序列的序处理 对时间序列的平稳性和纯随机性进行检验就是时间序列的序处理 ．下面对国内1978—2009年间 的32个居民消费水平指数数据(见表 1)绘制时序图，如图1． 收稿 日期：2011—10—24 基金项 目：国家 自然科学基金；广西 自然科学基金(2011GxNSF 18133) 作者简介：蒙玉波(1987一)，广西融安人，硕士生，研究方向：金融统计 ． · 38 · 广 西 师 范 学 院 学 报：自然 科 学 版 第29卷 表 1 1978—2009年国内居民消费水平指数 (1978=100) 年度 1978 1979 1980 1981 1982 1983 1984 1985 1986 1987 1988 指数 100 106．9 116．5 126．2 134．8 145．8 163．2 185．2 194．0 205．5 221．5 年度 1989 1990 1991 1992 1993 1994 1995 1996 1997 1998 1