基于SARIMA模型中国居民消费价格指数预测.docVIP

基于SARIMA模型中国居民消费价格指数预测 　　摘 要：居民消费价格指数（CPI）是宏观经济分析以及价格水平监测和调控的重要指标。利用2001年1月至2013年10月的以2001年1月为基期的定基比月度数据，运用Eviews6.0软件建立SARIMA模型，并进行CPI短期预测，根据预测结果提出相关政策建议。实证分析证明SARIMA模型可以很好地拟合定基比数据，预测精度极高。 关键词：居民消费价格指数；SARIMA模型；短期预测 中图分类号：F014.5 文献标志码：A 文章编号：1673-291X（2014）06-0001-03 引言 居民消费价格指数又称CPI，同人民生活密切相关。它最能直接反映物价对人民生活的影响程度，能够通过货币购买力指数来反映居民的实际消费支出水平。CPI是度量通货膨胀的一个重要指标，对保障低收入群体的利益、维持社会稳定、促进社会和谐都具有十分重要的意义[1]。 一、国内外文献综述 针对CPI的建模，国内外不少学者对其进行研究。Fabio C.Bagliano、Claudio Morana（2001）使用普通趋势模型测量美国1960-2000 年的核心CPI，并研究货币增长与通货膨胀之间的关系[2]。Duarte等（2007）采用CPI分类指数，运用Factor-Augmented SARIMA模型评估短期物价膨胀预测的准确性[3]。 二、研究思路和创新 本文运用2001年1月至2013年10月的以2001年1月为基期的CPI定基比数据，通过建立SARIMA模型，有效的拟合CPI的走势，预测未来4个月的CPI，为政府和央行地财政政策和货币政策提供向导，缩短财政政策和货币政策的时滞长短，保持物价水平可控，确保中国经济平稳较快发展。 本文从以下两个方面有创新： 首先，前人利用ARMA模型进行预测多数是使用以上年同月为基期的同比CPI数据，本文利用定基比数据建立ARMA模型，研究模型拟合的精确程度。 其次，利用预测出的未来3个月的CPI数据对中国实行的财政政策和货币政策提供建议，确保中国经济良好运行，又好又快增长。 三、实证分析 （一）数据选取 本文选取2001年1月至2013年10月一共154个CPI数据，以2001年1月为基期，定为100，然后利用环比数据计算出后面的定基比数据。① 数据存在明显的上升趋势和季节周期性变化。 （二）平稳性检验 为使原始数据线性化，对其进行对数处理。然后运用自相关图和偏自相关图检验数据是否平稳。自相关函数衰减得很慢，所以取对数后的原始序列非平稳。进行一阶差分。并对差分后的数据作自相关和偏自相关图。 从下页表1可以看出明显的季节性趋势，季节周期为12，于是做一阶季节差分。 一阶季节差分后自相关系数在滞后期=12处的取值仍然较大，季节趋势没有有效消除，进行二阶季节差分后季节趋势仍然没有明显改善，为避免数据损失过大，故只做一阶季节差分即可。下面进行单位根检验平稳性。 由下页表2单位根检验结果，ADF的t值为-6.764346，小于显著性水平为5%的临界值-1.943140，所以拒绝原假设，认为不存在单位根，进行季节差分后的序列平稳。 （三）SARIMA模型的建立 通过一阶季节差分后的相关图先判定自相关图是拖尾，偏自相关图为截尾，且峰值数为3，于是建立（3，1，0）X（1，1，1）12模型，然后逐步调整，最后根据参数估计和检验结果，预选模型为（1，1，1）X（0，1，1）12和（1，1，1）X（1，1，1）12，并进行比较评价。 由下页表3，两个模型MAPE和TIC都非常小，说明预测精度极高，（1，1，1）X（1，1，1）12和（1，1，1）X（0，1，1）12的AIC和SC值相差无几，修正R2（1，1，1）X（1，1，1）12比（1，1，1）X（0，1，1）12大，RMSE，MAE，MAPE都比（1，1，1）X（0，1，1）12小，说明（1，1，1）X（1，1，1）12的预测效果比（1，1，1）X（0，1，1）12精确，所以选择（1，1，1）X（1，1，1）12模型。 由下页表4，看出自相关系数和偏自相关系数都落入显著性水平为0.05的置信区间内，可认为残差序列是随机的。对残差进行Q检验，Q24 = 26.931 　　表5 预测值 利用静态预测对2013年12月、2014年1—3月进行预测，得出相应的CPI预测值。可以看出，2014年1月较2013年12月CPI有一个相对较大的增长，而1月～3月CPI趋于平稳。 四、针对预测结果提出政策建议 （一）确保春节期间物价稳定 从预测中看出，2014年1月和2月物价较13年12