ARIMA模型在居民消费价格指数预测中应用研究.doc

ARIMA模型在居民消费价格指数预测中应用研究 　　摘 要：居民消费指数是监测和调控价格总水平、决策与分析宏观经济、核算国民经济的主要指标。文章将最近几年来的相关数据收集起来，运用相关函数构建了一个ARIMA模型，同时借助Eviews软件预测出相关参数。通过分析这个模型能够合理预测出我国居民消费价格指数。 　　关键词：ARIMA模型 居民消费价格指数 应用 　　中图分类号：F014.5 文献标识码：A 　　文章编号：1004-4914（2015）03-062-03 　　居民消费价格指数是市场价格的真实反映，它不仅能够反映出某一时段通货膨胀程度，而且反映了国民经济缩减程度。国家财政、社会保障、消费、价格、货币、工资等政策均受到居民消费价格指数的影响，同时，居民消费水平及评价也受到了其影响。居民消费价格指数预测可以有效引导价格舆论，有助于提高价格调控总体水平；同时可以正确指引合理消费价格的形成、满足各种需求，有助于稳定市场价格信息秩序和日常经济生活。例如，目前交通、教育、医疗等垄断行业价格增长迅速，造成居民储蓄过量，抑制了正常消费，消费结构不合理，阻碍了经济的可持续发展；而精准的居民消费价格指数预测能帮助国家相关部门有效利用价格与其他经济手段，达到调控价格总水平的目标。所以，准确分析与预测居民消费价格指数十分必要。 　　一、相关概念 　　（一）居民消费价格指数 　　居民消费价格指数一直都是政府和社会大众高度重视的社会热点问题，这主要是因为其同人们日常生活密切联系。居民消费价格指数是一个可预见的一段时间内人们支付的程度，深刻影响着消费商品和服务的价格的变动情况。分析和预测居民消费价格指数一直都是经济学研究的重点，正确地分析与预测物价指数是制定科学合理的经济政策的基础。 　　（二）ARIMA基本理论与方法 　　时间序列分析其实是一种比较常见的的数量分析方式，其重点阐述和描绘事物随着时间的变化而数量出现规律性变化。近年来，国内大量研究人员基于这一领域进行了深入的研究，并构建了相对应的时间序列。预测对象随着时间的推移组建成一个全新的序列数据，其随机性较强，利用数学模型来全面反映出这个序列的真实内涵。只要能够正确认识和分析这一模型便可以从时间序列值角度预测出该序列的未来趋势。 　　二、非平稳时间序列分析模型（ARIMA模型） 　　（一）平稳时间序列模型 　　ARMA模型也被称为自回归移动平均模型。同时被划分为MA模型、AR模型和ARMA模型三种类型。 　　AR模型也叫做p阶自回归模型，简称AR（p），其结构模型如下： 　　x1=φ0+φ1xt-1+……+φpxt-p+εt，φp≠0，E（εt）=0 　　Var（εt）=σ2ε，E（εtεs）=0，S≠t，Exsεt=0，？坌st 　　MA模型被称为q阶移动平均模型，简称为MA（q），其模型结构如下： 　　xt=μ+εt-θ1εt-1-θ2εt-2-……-θqεt-q 　　θq≠0 　　E（εt）=0，Var（εt）=θ2ε，E（εtεs）=0，s≠t 　　ARMA模型也被称为自回归移动平均模型，简称ARMA（p，q），其模型结构如下： 　　xt=φ0+φ2xt-1+φ2xt-2+……φpxt-p+εt-φ1εt-1-……-φqεt-q 　　φp≠0，φq≠0 　　E（εt）=0，Var（εt）=σ2ε，E（εtεs）=0，s=t 　　Exsεt=0，？坌st 　　引入延迟算式，ARMA（p，q）模型简称为： 　　φ（B）xt=θ（B）εt 　　式中：φ（B）=1-φ1B-……φpBp，为p阶自归系数多项式；θ（B）=1-θ1B-……-θqBq，是q阶移动平均系数多项式。 　　因此，当q=0时，ARMA（p，q）模型便成为了AR（P）模型；当p=0时，ARMA（p，q）模型则演变成为了MR（q）模型。 　　（二）非平稳时间序列分析模型（ARIMA模型） 　　ARIMA（p，d，q）模型的结构为： 　　φ（B）？荦dxt=θ（B）εt 　　E（εt）=0，Var（εt）=σ2s，E（εtεs）=0，s≠t 　　Extεs=0，？坌st 　　其中：？荦d=（1-B）d；{εt}是零均值白噪声序列：φ（B）=1-φ1B-……-φpBp是平稳可逆ARMA（p，q）模型的自回归系数多项式；θ（B）=1-θ1B-……-θqBq是平稳可逆ARMA（p，q）模型的移动平滑系数多项式。 　　显然，如果d=1，p=q=0时，AMIMA（0，1，0）模型便是xt=xt-1+εt，这一模型便称为随机游走模型或醉汉模型。 　　三、基于ARIMA的居民消费价格指数模型 　　居民消费价格指数是全球各国都十分重视和编订的一种指数，它充分反映了市场价