基于ARIMA模型的社会消费品零售总额预测.docVIP

基于ARIMA模型的社会消费品零售总额预测 //.paper.edu 表1 ARMA模型的序列特征 AR(p)MA(q)ARMA(p,q)A拖尾截尾拖尾 utocorrelation Partial Correlation截尾拖尾拖尾 在实际应用中，在模型识别阶段往往先根据自相关图和偏自相关图粗略判断p，q的值,然后在该组值附近求出一系列模型，以供进一步选择。之后合理地估计模型参数，建立时间序列模型可以对未来时序进行预测。为考察模型的优劣，往往需要对模型进行诊断和检验，包括被估参数的显著性检验和残差的随机性检验。如果经检验残差序列不是白噪声序列，则意味着序列还存在有信息没提取，需要进一步改进模型。 3. 基于Eviews的ARMA建模 Eviews软件是一款优秀的经济计量软件，目前广泛应用于科学数据分析与评价、金融分析、销售预测和成本分析等领域。借助Eviews强大的软件功能可以方便地处理时间序列数据和建立ARMA模型。 3.1 时序特性分析 表2给出了2003年1月至2009年2月我国社会消费品零售总额的月份数据，共74个观测值，将2003年1月至2007年12月的数据作为模型中的样本数据，将2008年以后的数据作为检验数据，用来检验模型的准确性。将样本数据命名为xf序列，对xf序列建立ARMA模型。 表2 2003年1月至2009年2月我国社会消费品零售总额（单位：亿元） 月/年2003 2004 2005 2006 2007 2008 2009 1 3907.4 4753.4 5300.9 6641.6 7488.3 9077.3 10756.6 2 3706.4 4328.3 5012.2 6001.9 7013.7 8354.7 9323.8 3 3494.8 4213.4 4799.1 5796.7 6685.8 8123.2 4 3406.9 4156.2 4663.3 5774.6 6672.5 8142 5 3463.3 4343.3 4899.2 6175.6 7157.5 8703.5 6 3576.9 4371.1 4935 6057.8 7026 8642 7 3562.1 4378.8 4934.9 6012.2 6998.2 8628.8 8 3609.6 4480.7 5040.8 6077.4 7116.6 8767.7 9 3971.8 4876 5495.2 6553.6 7668.4 9446.5 10 4204.4 5183.2 5846.6 6997.7 8263 10082.7 11 4202.7 5257.1 5909 6821.7 8104.7 9790.8 12 4735.7 6089.2 6850.4 7499.2 9015.3 10728.5 资料来源：国家统计局//.stats.gov/ 将表1中的数据制成折线图，如图1所示。从图1可以看出，序列具有明显的增长趋势，并且包含周期为12个月的季节波动。图形不仅含有常数项，而且还含有时间趋势项。 - 2 - //.paper.edu 11000100009000800070006000500040003000200320042005200620072008 图1 社会消费品零售总额序列折线图 双击xf序列，依次点击点击6#00aa00View→Correlogram就得到了序列的自相关图和偏自相关图，如图2所示： 图2 社会消费品零售总额自相关-偏自相关分析图 从图2可以看出，AC列表现出明显的拖尾性，这表示了xf序列属于非平稳时间序列。为了消除趋势同时减少序列的波动性，对原序列做一阶自然对数序列逐期差分，可得到新的序列xf1：series xf1=log(xf)??log(xf(??1)) 由序列xf1做季节差分可以得到序列sxf1： series sxf1=xf1??xf1(??12) 从图3可以看出，新序列sxf1的自相关系数与偏自相关系数很快落入随机区间，序列的趋势已经基本消除。但是当k=12时自相关系数和偏自相关系数显著不为0。 - 3 - //.paper.edu 图3 对原序列做一阶自然对数差分和季节差分后的自相关-偏自相关示意图 3.2 模型识别 表3给出了一阶自然对数差分后的新序列xf1的ADF检验和PP检验结果。从表中可以看出，序列的t检验统计量都小于1%的显著性水平下的t检验统计量，且相伴概率为0。说明xf1在1%的显著性水平下拒绝原假设，故社会消费品零售总额序列是1阶单整序列，即xf~I(1)。新序列符合ARIMA模型的基本要求，可以建立ARIMA模型。 表3 ADF检验和PP检验结果 t-Statistic Prob.* Augmented Dickey-Fu