桂林市社会消费品零售总额ARIMA模型建立与预测.docVIP

桂林市社会消费品零售总额ARIMA模型建立与预测 　　［摘 要］利用单整自回归移动平均模型法,以1950―2007年桂林市消费品零售总额的统计数据为依据,进行时间序列分析。根据自相关系数、偏相关系数的性质,建立合理的ARIMA模型,并对桂林市2005―2007年的社会消费品零售总额进行分析预测。 　　［关键词］时间序列；ARIMA模型；社会消费品；零售总额 　　［中图分类号］F252 ［文献标识码］A ［文章编号］1005-6432（2011）49-0124-02 　　1 问题的提出 　　社会消费品零售总额是指各种经济类型的批发零售贸易业、餐饮业、制造业和其他行业对城乡居民和社会集团的消费品零售额和农民对非农业居民零售额的总和。这个指标反映通过各种商品流通渠道向居民和社会集团供应生活消费品来满足他们生活需要的情况，是研究人们生活、社会消费品购买力、货币流通等问题的重要指标。由于目前消费需求已经成为经济增长的重要组成部分,而且近年来社会消费品零售总额呈现递增的趋势,如何利用适当的模型对其进行分析和预测，并通过预测的结果了解桂林市社会消费品零售总额的发展态势，为有关部门作出正确的决策提供合理的依据,已经成为一个需要我们进行探讨和迫切解决的问题。 　　2 研究方法 　　(1)ARIMA 模型的建模思想。时间序列分析方法是伯克斯#8226;詹金斯在 1970 年提出来的。这种建模方法不考虑以经济理论为依据的解释变量的作用,而是依据变量本身的变化规律,利用外推机制描述时间序列的变化。模型建立的前提是时间序列必须具有平稳性。如果时间序列是非平稳的,建立模型之前应先把它变换成平稳的,同时仍保持原时间序列的随机性。时间序列的基本模型主要有三种：自回归模型、移动平均模型及单整自回归移动平均模型。 　　3 数据选取与建模过程 　　3.1 基本步骤 　　本文选取了桂林市社会消费品零售总额1950―2007 年的数据采用 Box Jenkins方法建模。 　　第一步：我们先对原时间序列(y)进行 ADF 检验,并结合y序列的折线图(见图1)可以看出该时间序列是非平稳的时间序列。 　　图1 原始序列y的折线图 　　对时间序列y进行单位根的检验,其ADF的检验结果(见表1)显示，ADF=2.678479,分别大??不同检验水平的三个临界值(1%,-3.5501；5%,-2.9137；10%,-2.5942),说明时间序列接受原假设,即存在单位根的结论。 　　第二步:为了使非平稳的时间序列(从图1可以看出其非平稳性)具有平稳性,我们对时间序列y进行一次差分,并对差分后的时间序列进行ADF检验,一次差分得到时间序列iy,其检验结果(见表2)显示,ADF=-8.609523分别小于不同检验水平的三个临界值(1%,-3.5523；5%,-2.9146；10%,-2.5947),一阶差分序列在1%的显著水平下拒绝原假设,接受不存在单位根的结论,因此可以确定时间序列是1阶单整序列。对于经济时间序列,差分次数,即模型ARIMA(p,d,q)中的参数d 通常只取0,1或2,同时通过对时间序列单位根的检验来获得它的ADF 值,并判断参数d的阶数。 　　第三步:对时间序列y经过一次差分后,我们通过EVIEWS绘制(如图2 所示)的折线图,可以看到序列的趋势基本消除。通过以上在EVIEWS中的操作分析,可得到ARIMA模型中的参数 d=1。 　　3.2 根据时间序列模型的识别规则,建立相应的模型 　　(1）若平稳的时间序列自相关函数拖尾,而偏相关函数是截尾的,则可断定此时间序列适合 AR(P)模型。 　　(2）若平稳的时间序列自相关函数截尾,而偏相关函数是拖尾的,则可判断时间序列适合 MA(Q）模型。 　　(3）若平稳的时间序列的自相关函数和偏相关函数都是拖尾的,则时间序列适合于 ARMIA(p,d,q)模型。 　　3.3 模型的识别 　　通过分析,我们选用 ARIMA(p,d,q）模型,其中d已经得出,d=1。通过观察时间序列(经过一次差分后的序列)的自相关图和偏自相关图(见图3),我们得出 p=2、3 或 4,q=3。 　　3.4 进行 ARIMA(p,d,q)模型的定阶,然后对暂定的模型进行参数的估计,检验其是否有统计意义 　　经过以上的分析以及图3显示,选取如下(p,d,q)组合：(2,1,3),(3,1,3),(4,1,3)。经过各个模型的参数估计结果和各模型的检验结果的对比,得出关于序列iy拟合ARIMA(4,1,3)模型的效果明显比其他好,所以我们决定选择第三个模型作为时间序列的预测模型。 　　通过EVIEWS进行ARIMA(4,1,3)模型的方程估计(如图4所示),得到方程：?y=-0.164451yt-1+0