ARIMA模型在北京市全社会固定资产投资预测中应用.docVIP

ARIMA模型在北京市全社会固定资产投资预测中的应用 　　摘　要：投资是拉动经济增长最主要的力量之一。通过采用自回归求和移动平均法，对《新中国五十年统计资料汇编》及《北京统计年鉴2005》所提供的北京全社会固定资产投资额数据进行分析。结果显示，ARIMA[3，1，0，也即AR(3)]模型提供较准确的预测效果，可用于未来的预测，并对北京市全社会固定资产投资提供可靠依据。 　　关键词：ARIMA模型；固定资产投资；时间序列分析 　　中图分类号：F323．9　文献标志码：A　文章编号：1673-291X(2007)02-0131-03 　　 　　北京全社会固定资产投资额在1951年不足1亿元，1980年也只有33．2亿元，到1994年首次突破500亿元达到648．8亿元，到了2004年已经达到2528．3亿元。其中，2000年以来是北京历史上固定资产投资最多的时期。通过数据的比较发现，影响北京全社会固定资产投资包括政府的优惠政策、机遇和外界的因素。因此，运用数理经济模型(即揭示经济活动中各个因素间的理论关系，用确定性数学方程加以表述的方法)来分析和预测是较为困难的。故本文从动态分析的角度看，认为北京全社会固定资产投资总额是一个时序，利用其历史值分析得出其规律性，来预测未来值。 　　 　　一、模型选取 　　 　　目前，预测经济运行时间序列的理论与方法较多，比较经典的有灰色理论、生长曲线、指数平滑法等，这些对经济运行长期趋势的把握较准，但对短期波动把握的概率度不高。ARIMA模型在经济预测过程中既考虑了经济现象在时间序列上的依存性，又考虑了随机波动的干扰性。对于经济运行短期趋势的预测准确率较高，是近年应用比较广泛的方法之一。博克思一詹金斯是该模型的首创者(或者说实现者)，因此以他们的名字命名为Boy-Jenkins法(简称B―J)；若从其对时间数列处理的手段着眼。应定义为自回归一差分一滑动平均预测法，博克思一詹金斯法的模型符号为“ARIMA(P、d、g)”。其中，AR代表自回归模型，MA代表滑动平均模型，I表示两种方法的结合，p代表白回归阶数，g代表滑动平均的阶数，d代表对含有长期趋势、季节变动、循环变动的非平稳时间数列进行差分处理的次数，使其平稳而符合自回归模型的需要。因此，模型ARIMA(p、d、q)的通式为： 　　yt=a0+a1yt-1+a2yT-2+…+apyt-p+β0μt+β1μt-1+β2μt-2+…βqμt-q 　　可见，模型由两部分组成，前半部分是P阶的自回归方程(AR)；后半部分是吁阶的误差滑动平均(多项和形式)方程(MA)；模型体现了对p阶自回归模型的误差et进行q阶修正的预测思想。由于模型以多项和的形式出现，因此p、g伸缩自如，加之差分处理，使模型能适应于任何类型的时间数列。 　　 　　二、ARIMA法建模的基本思想及预测的基本程序 　　 　　ARIMA模型的基本思想是：将预测对象随时间推移而形成的数据序列视为一个随机序列，用一定的数学模型来近似描述这个序列。这个模型一旦被识别后就可以从时间序列的过去值及现在值来预测未来值。 　　ARIMA模型预测的基本程序： 　　(一)根据时间序列的散点图、自相关函数和偏自相关函数图以ADF单位根检验其方差、趋势及其季节性变化规律，对序列的平稳性进行识别。一般来讲，经济运行的时间序列都不是平稳序列。 　　(二)对非平稳序列进行平稳化处理。如果数据序列是非平稳的，并存在一定的增长或下降趋势，则需要对数据进行差分处理，如果数据存在异方差，则需对数据进行技术处理，直到处理后的数据的自相关函数值和偏相关函数值无显著地异于零。 　　(三)根据时间序列模型的识别规则，建立相应的模型。若平稳序列的偏相关函数是截尾的，而自相关函数是拖尾的，可断定序列适合AR模型；若平稳序列的偏相关函数是拖尾的，而自相关函数是截尾的，则可断定序列适合MA模型；若平稳序列的偏相关函数和自相关函数均是拖尾的，则序列适合ARMA模型。 　　(四)进行参数估计，检验是否具有统计意义。 　　(五)进行假设检验，诊断残差序列是否为白噪声。 　　(六)利用已通过检验的模型进行预测分析。 　　 　　三、数据的选取及描述 　　 　　从《新中国五十年统计资料汇编》、《北京统计年鉴2005》搜集计算整理出1950―2004年的年末全社会固定资产投资总额资料。 　　Y表示原始数据中全社会固定资产投资总额(亿元)，先运用Eviews311软件中View下面的Line graph对lnY作出折线图(图1)，再运用View下面的Unit Root Test对lnY进行单位根检验(见表2)。(注：lny表示对y取对数，为的是使数据平滑而不至于丢失数据) 　　 　　 　　线图向右上