我国粮食产量测的时间序列模型研究 毕业论文.docVIP

我国预测的Research for Forecasting of China’s Grain Yield Based on Time Series Model Abstract Grain is an important livelihood strategy for the national relationship between material. Forecast for the grain, this thesis introduces several modeling methods of time serials Method and establishes autoregressive moving average model ARIMA (p, d, q) by analyzing characteristics of China’s grain yield from 1978 to 2009. Finally, forecasting of China’s grain yield is finished by means of Eviews6.0 and the result shows that China’s grain yield will still grow slowly in the next few years if not being affected by natural disasters. Key words: grain yield; time serials; ARIMA; forecasting 目 录 1 引言 1 1.1 课题背景 1 1.2 国内外研究现状 1 1.3 本课题研究的意义 2 1.4 本课题的研究方法 2 2 几种时间序列预测分析法简介 2 2.1 自回归（AR）模型 2 2.2 移动平均（MA）模型 3 2.3 自回归移动平均（ARMA）模型 3 2.4 差分自回归滑动平均（ARIMA）模型 4 2.4.1 ARIMA模型原理 4 2.4.2 ARIMA模型预测的基本程序 4 3 数据分析及模型建立 4 3.1 数据分析 4 3.2 数据平稳化 6 3.3 模型的定阶 8 3.4 模型优化 10 3.5 模型检验 11 3.6 模型有效性检验 11 3.7 模型预测 12 结 论 12 参考文献 12 附 录 13 致 谢 15 声 明 16 引言 课题背景 “国以民为本民以食为天”粮食是关系国计民生的重要战略物资，粮食安全与社会的和谐、政治的稳定、经济的持续发展息息相关。我国是发展中的农业大国，耕地仅占世界10％，而人口却占世界的22％，十几亿人的粮食问题始终是头等大事。，国的粮食安全问题受到了国内外的广泛关注。:时间序列模型、回归模型和人工神经网络模型。指数平滑模型、灰色预测模型及基于马尔可夫链的预测模型等都属于时间序列模型。回归模型中使用比较多的就是线性回归模型和双对数模型。人工神经网络模型是近几年才开始使用的基于生物学原理的预测系统。这些方法的优缺点分析如下: 首先,指数平滑模型的原理和计算方法比较简单,对历史数据的数量没有太大的要求。迟灵芝(2004)曾运用单指数平滑方法首先对我国1991—1999年的粮食产量进行拟合,计算出平均相对误差为0.104%,效果还是比较理想的。但是模型中对平滑系数的确定直接关系到模型的精度问题,所以不同的平滑系数就可能造成结果的差异。林绍森等(2007)对三种预测模型的分析的结果证明了指数平滑法的预测误差最大。此外,由于模型本身在计算方法上的局限性,该方法只适用于近、短期预测。 灰色预测模型也是比较常用的粮食产量预测模型。迟灵芝(2002)对灰色预测方法和回归模型进行比较分析,得出灰色预测的平均相对误差最小的结论。林绍森等(2007)对单指数平滑、自回归移动平均和灰色预测三种模型进行了比较,他指出灰色预测模型比自回归预测模型和单指数平滑预测模型更适合长期的预测。 线性(或非线性)回归模型的一个优点是可对变量之间进行因果分析,描述其内在的联系。很多学者利用这一方法建立了粮食产量模型,找到了影响粮食产量的主要因素。如李子奈( 2000)的线性回归函数、石森昌等(2003)的双对数生产函数、李云松等(2002) 、肖海峰等(2004) 、程杰等(2007)的柯布—道格拉斯生产函数等等。虽然他们选取的变量都不尽相同,但是都证明了回归模型对粮食产量的拟合效果很好。但是回归方法受到解释变量的约束,一般也只用在近、短期预测中。神经网络模型是一种建立在生物学神经元基础上的一个不需