基于ARMA模型城镇登记失业率预测研究.docVIP

基于ARMA模型的城镇登记失业率的预测研究 　　[摘 要] 本文以1978年～2007年的城镇登记失业率为样本数据建立ARMA模型,对模型进行识别、估计、检验,并且用2006年～2008年数据进行验证预测,预测精度都达到95%以上。运用此模型对未来5年进行失业预测,为政府制定就业政策提供指导意见。 　　[关键词] ARMA 城镇登记失业率 预测 　　 　　一、引 言 　　 　　一国宏观经济实现均衡的四大目标有:充分就业、经济增长、物价稳定、国际收支平衡。其中就业问题在这四大目标中显得特别重要。失业(就业)问题已经成为众多经济学者研究的热点问题之一。无论是在发达国家还是发展中国家都存在着失业,但是过度的失业会引发一系列经济和社会矛盾,因此准确预测失业率对于整个国家的经济和社会都起着重要的作用。在现有研究失业率预测的研究中,主要是通过影响因素来预测失业率,有研究单个因素与就业率的影响,如通货膨胀,高校学生规模,GDP,货币政策,汇率,工资水平等与就业率之间的关系,也有研究多个指标对就业率的影响,文献把7影响福建省失业率的因素划分为两大类:劳动力供给与劳动力需求,进而再选取二级指标和三级指标;文献8根据扩散指数法筛选出15个影响失业率的指标。采用的模型或者方法包括核主成分与加权支持向量机,收敛分析,VAR模型,扩散指数法和经典回归分析等。但是存在四个问题:一是完整性问题,选取的影响因素不全面,会错漏一些重要因素;二是独立性问题,选取的因素之间具有相关性;三是伪回归问题;四是数据获取问题,有些影响失业率的因素的数据比失业率本身的数据更难获取。时间序列模型ARMA可以避免以上四个问题,它不直接考虑其他相关因素的影响,依靠预测指标的历史数据进行预测。其基本假定是在一个适当的时期内,可以大致认为各影响因素对预测指标的影响规律及这些经济因素本身的变动趋势是不变的。因此,利用时间序列的历史数据进行预测能够保证一定的预测精度。本文利用1978年～2007年的数据采用ARMA模型对中国的失业率进行了预测研究。 　　 　　二、ARMA模型的构建过程 　　 　　在现实经济生活中,时间序列数据是非平稳的,因此在建立时间序列的模型之前要进行平稳性检验。本文将采用ADF检验进行预测指标的单位根检验。ADF检验是通过下面三个模型完成的: 　　模型1: (1) 　　模型2:(2) 　　模型3: (3) 　　模型的原假设都是:,即存在一单位根。只要其中有一个模型的检验结果拒绝零假设,就可以认为时间序列为平稳的。如果时间序列为非平稳序列,则对时间序列进行差分,然后再进行检验。 　　当时间序列为平稳序列,建立自回归移动平均模型(ARMA)。ARMA模型的基本形式为:(4) 　　满足(4)式的时间序列,记为ARMA(p,q),其中, 为自回归参数, 为移动平均参数,为模型的待估参数。当p=0,(4)式为一纯MA(q)模型,当q=0,(4)式为一纯AR(p)模型。引用滞后算子L,(4)式可以表示为:(5) 　　求p、q的值即为模型的识别过程。随机时间序列的自相关函数(ACF)和偏自相关函数(PACF)可以用来识别模型,如表1所示。赤池信息准则(AIC)及施瓦茨信息准则(SIC)为最小时模型最佳。 　　模型识别之后,对模型估计、检验,并且对未来进行预测。整个模型的构建过程如图1所示: 　　 　　三、基于ARMA模型的城镇登记失业率的预测研究 　　 　　1.样本数据的选取 　　我国采用城镇登记失业率来统计失业。城镇登记失业率是指城镇登记失业人数同城镇从业人数与城镇登记失业人数之和的比。其中,城镇登记失业人员是指有非农业户口,在一定的劳动年龄内(16岁以上及男50岁以下、女45岁以下),有劳动能力,无业而要求就业,并在当地就业服务机构进行求职登记的人员。本文选取1978年到2007年的城镇登记失业率(记为x)数据作为样本研究对象(数据来源于中国统计年鉴,通过整理得来)。 　　2.城镇登记失业率的平稳性检验 　　对时间序列进行单位根检验,检验结果如表2所示,P值0.0028小于 ( 为显著性水平,这里取值0.05),拒绝存在一个单位根的原假设。所以城镇登记失业率时间序列为平稳序列。 　　(注:检验回归式中c表示模型中含有常数项,t表示模型中含有趋势项,1为滞后阶数,以SCI准则为依据。) 　　3.城镇登记失业率的ARMA模型 　　城镇登记失业率的ACF和PACF图如图2所示,可以看出ACF衰减趋于零,PACF在2阶后截尾。可以初步判断城镇登记失业率的ARMA模型为一纯AR(2)模型。 　　分别用p=1,2,3…12进行测算,当p=2时,ACI值和SCI值最小(p2时,参数未能通过显著性检验),由此得出城镇登记失业率的时间