ARIMA模型在我国纺织品服装出口额预测中应用.docVIP

ARIMA模型在我国纺织品服装出口额预测中应用 　　【摘 要】本文对我国1985-2012年纺织品服装出口额进行分析，运用Box-Jenkins方法建立ARIMA（2，2，2）模型，检验结果表明该模型有较好的预测效果，可为我国纺织品服装行业制定对外经济发展目标提供参考。 　　【关键词】ARIMA模型；纺织品服装出口额；预测 　　纺织服装产品是我国传统出口大宗商品，多年来一直是我国第一大类出口商品，在我国对外贸易中的地位举足轻重，在国际市场上也具有较强的竞争优势。我国加入WTO后，纺织发展出口从2001年的534.4亿美元猛增到2012年2549.21亿美元，占全球纺织品服装贸易的比重从2000年的14.6%提升至2010年的32.7%。 　　传统的预测方法比较简单，适合于某种特定趋势特征变化的经济现象的预测。然而在实际应用中，纺织品服装出口额不仅受如经济周期、整体国民经济发展环境及汇率等因素的影响，而且这些因素之间又存在着错综复杂的关系，因此，传统的预测方法很难预测纺织品服装出口额。本文从另外一角度出发，认为我国纺织品服装出口是一时间序列，可以根据过去的数据资料找出其变化规律，并依此来预测未来的发展变化。 　　一、ARIMA模型建模思想 　　ARIMA模型全称为差分自回归移动平均模型（Autoregres 　　sive Integrated Moving Average Model，记为ARIMA），是1970年Box-Jenkins提出的时间序列预测方法，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，就可以根据时间序列的过去值及现在值来预测未来值。其基本模型包括自回归模型（AR）、移动平均模型（MA）、自回归移动平均模型（ARMA）及自回归差分移动平均模型ARI 　　MA。ARIMA（p，d，q）模型被广泛用于各种时间序列数据的分析，是一种比较精确的短期预测方法。 　　1.自回归AR（p）模型 　　p阶自回归模型，满足以下方程： 　　ut=c+Φ1ut-1+Φ2ut-2+…Φ2ut-p+εt 　　式中c为常数，φi是自回归模型系数，i=1……p；p为自回归模型阶数；εt是均值为0，方差为σ2的白噪声序列。 　　2.移动平均模型MA（q） 　　Q阶的移动平均模型，满足以下方程： 　　ut=μ+εt+θ1εt-1+…+θqεt-q 　　式中参数μ为常数；参数θi为q阶移动平均系数，i=1，2…q；εt是均值为0，方差为σ2的白噪声序列。 　　3.ARMA（p，q）模型 　　ut=c+Φ1ut-1+Φ2ut-2+…Φput-p+εt+θ1εt-2+…+θqεt-q 　　显然ARMA（p，q）模型是AR（p）模型与MA（q）模型的结合，其中Φ2…，Φp为回归系数，是模型的待估参数，θ1，…，θq为移动平均系数，当p=0时，ARMA（0，q）=MA（q），当q=0时， 　　ARMA（p，0）=AR（p）。 　　4.ARIMA（p，d，q）模型 　　对于序列yt，若能经过d次差分后变为平稳序列，即，yt～I 　　（d），则：wt=△dyt=（1-B）dyt 　　wt为平稳序列，即wt～I（0），于是可建立ARIMA（p，q）模型：wt=c+Φ1wt-1+…+Φqwt-p+εt+θ1εt-1+…+θqεt-qwt 　　经d阶差分后的ARIMA（p，q）模型称为ARIMA（p，d，q）模型，其中p为自回归模型的阶数，q为移动均数的阶数，εt为一个白噪声过程。 　　5.ARIMA模型的建模步骤 　　（1）序列的平稳化处理和检验。首先采用ADF（Augmented Dic-ey-Fuller test）方法来判断序列的平稳性。如果通过检验该序列为非平稳序列，这时就需要通过数学方法进行差分变换使其满足平稳性条件。差分次数为ARMIA（p，d，q）中的阶数d。（2）差分后平稳性序列拟合，如通过自相关系数（AFC）和偏自相关系数（PACF）来确定ARMIA（p，q）模型的阶数p和q，同时根据AIC准则或SC准则等综合考虑来确定模型参数。（3）模型参数估计和检验。估计模型的未知参数，并检验参数的显著性及合理性。（4）模型诊断分析，检验模型的实际值和拟合值的残差序列是否为一个白燥序列。 　　二、ARIMA模型的应用 　　1.数据的来源和描述。从《中国纺织品服装调查报告》各卷统计出1985年至2012年我国纺织品服装出口额，见表1，从表中粗略的可以看出Xt具有长期上升趋势，非水平平稳。本文对我国纺织品服装出口额的序列取对数形式记为LnXt。 　　表1 1985～2012年我国纺织品服装出口额统计表（亿美元）