我国工业总产值指数预测中ARMA模型应用.docVIP

我国工业总产值指数预测中ARMA模型应用 　　中图分类号：F402 文献标识：A 文章编号：1009-4202(2011)06-000-02 　　 　　摘 要 本文采用ARMA模型预测了我国工业总产值指数，通过预测对经济的决策起到了关键性的作用，工业总产值指数是环比指数，即分别与上年的工业总产值比较，体现了我国工业化的发展程度，为平衡城市化与工业化的决策提供参考。ARMA模型“基于让数据自己说话”原理着重于经济时间序列本身的概率或随机性质，对时间序列数据的短期预测非常成功。 　　关键词 工业总产值指数 ARMA模型 预测 　　 　　一、 引言 　　（一）问题的提出 　　工业化与城市化的问题是一个老问题，然而要想对这一个问题有一个正确的判断，从而作出正确的政策，首先要对工业的发展趋势有一个大致的掌握，由于中国曾经是一个经济落后的大国，我们选择了首先发展工业来带动经济的增长。而工业也成为了中国一直以来关心的问题，工业化的程度不仅影响着城市化的进程，而且对劳动参与率及失业率有着很大的作用。这关系到我国现代化战略目标的实现，关系到我国政治稳定和整个国家、社会的长治久安，才有利于构建社会主义和谐社会，为我国在发展工业方面的政策提供根据。 　　（二）结构的安排 　　“1、引言”部分，主要交代了问题的提出、以及本文的安排。“2、建模基本步骤”部分，主要介绍了ARMA模型的建模步骤。“3、模型平稳性检验”部分，实际上是模型的识别过程，通过序列图，单位根检验，以及观察序列的自相关图和偏自相关图。“4、ARMA模型构建”部分，通过对多个模型作出比较分析，确定最适合的模型来进行预测。“5、问题的解决”部分，根据模型对以下几年的工业总产值指数进行预测，发现问题并且解决问题。 　　二、建模基本步骤 　　ARMA 模型（Auto-Regressive and Moving Average Model）是研究时间序列的重要方法，由自回归模型（简称AR模型）与滑动平均模型（简称MA模型）为基础“混合”构成。其建模步骤为：模型识别（Identification）。根据时间序列的相关图（Correlogram）与偏相关图（Partial Correlogram）来确定合适的p、d及q值；模型估计（Estimation）。确定合适的p及q值??，估计模型中的自回归与移动平均项的参数；模型诊断（Diagnostic Checking）。确定ARMA模型及估计出各参数后，需要深入了解所确定模型对时间序列数据的拟合程度；模型预测（Forecasting）。ARMA模型广泛应用在经济、工程等各个领域得益于其在具体预测方面的优势。在许多方面用该模型所作出的预测比其他传统经济计量方法更加精确。 　　三、模型平稳性检验 　　（一）序列图检验 　　应用专业统计软件Eviews3.0将我国工业总产值指数进行处理，搜集了从1978-2008年的数据，通过对原始数据的序列图进行观察，虽然在1985-1990年有明显的波动，但是整体趋势是上升的，判定为非平稳序列。对原始序列进行一阶差分后再观察其序列图，从1978-2008年序列图都没有明显的上升或下降趋势，在某个值上下波动，所以暂时判定为平稳序列。下面还要对原始序列和一阶差分后的序列进行单位根检验进一步判断它们的平稳性。 　　（二）单位根检验 　　对原始序列进行单位根检验，ADF统计量为-2.390424都大于分别在1%、5%、10%下的概率，证实了原始数据是非平稳的，为了进一步说明原始序列的一阶差分序列是平稳的，同样对其作单位根检验,得到ADF统计量为-4.349768都小于分别在1%、5%、10%下的概率，所以原始数据的一阶差分序列是平稳的，可以建立ARMA模型。 　　（三）自相关与偏自相关图 　　观察一阶差分序列的自相关以及偏自相关图（见图1），序列是平稳的，而且有自回归和滑动平均成分，可以通过建四、ARMA模型构建 　　应用专业统计软件Eviews3.0建立了3种模型，对各种模型进行拟合以及通过对各种模型的残差序列的自相关图和偏自相关图观察，从而确定某种模型为最好的拟合模型。下面是几种模型的形式： 　　通过对模型的具体形式进行拟合，发现三个模型的拟合程度相当，三个模型均可对工业总产值指数的一阶差分序列作比较精确地描述，但模型2和模型3的残差序列相关图和偏自相关图显示其中仍然含有自相关和移动平均成分，而模型1的残差序列相关图和偏自相关图通过检验是白噪声序列，通过残差检验，所以选择模型1为ARMA模型对未来的工业总产值指数作出预测。根据模型1的预测得出2008年的工业总产值指数为120.99，而2008年的实际工业总产值指数为122.17，误差为1.18。误差相对较小，所以选用模型1作为预