上海市人均GDP时间的序列建模与预测赵肖肖时间的序列结课论文.docVIP

实用标准文案 精彩文档 硕士研究生课程论文 题 目： 上海市人均GDP时间序列建模与预测 院 （系）： 数学与计算科学学院 专 业： 应用数学 课 程： 时间序列分析 姓 名： 赵肖肖 学 号： 102071111 老 师： 朱 宁 上海市人均GDP时间序列建模与预测 摘要：本文对上海市人均 GDP水平时间序列（1978年至2008年）进行分析，利用SAS软件对数据建立ARIMA模型，通过多种模型的比较和筛选找出最符合实际状况的模型，进而对未来几年内上海市人均 GDP 发展水平进行了预测。 关键字：人均GDP 时间序列 ARIMA模型 预测 SAS； 1 引言 时间序列是随时间改变而随机变化的序列。时间序列分析的目的是找出它的变化规律,即线性模型,主要有三种:AR 模型、 MA模型和 ARMA模型。ARMA 模型（AutoRegressive Moving Average Model）是研究时间序列的重要方法，该模型根据时间序列自身的数字特征，寻找本期数值受前期数值和误差数值影响的规律，并在此基础上对后期数据进行预测，时间序列在证券市场、 工程中常做分析和预测。ARIMA模型主要是对非平稳序列建模，对非平稳序列进行平稳化后，按照ARMA模型的方法建立。 在股票市场中,根据股票价格的历史数据,可以预测未来短期内的股票价格走势,便于投资者做出理性的投资决策。在天气预报中，根据历史的天气各指标值，也可以预测未来短期内的天气变化情况。本文对上海市人均 GDP水平时间序列（1978年至2008年）进行分析，利用SAS软件对数据建立ARMA模型，通过多种模型的比较和筛选找出最符合实际状况的模型，进而对未来几年内上海市人均 GDP 发展水平进行了预测。 2 ARIMA模型 ARIMA模型结构 其中， p 为自回归模型的阶数， q 为滑动平均模型的阶数；； ，为平稳可逆ARMA（p，q）模型的自回归系数多项式； ，为平稳可逆ARMA（p，q）模型的移动平滑系数多项式。 为观测值。ARIMA模型建立的基础是时间序列是平稳的。建立 ARIMA模型的思路是: 假设人均GDP系统可以用一个平稳随机过程来刻画,我们的目的是根据收集到的观测数据来推断该随机过程的具体形式等。具体的说, 建模的过程就是判断该样本是 AR 过程、 MA过程还是ARIMA过程的样本。对于一个原始数据, 我们应该先判断该过程是否是平稳的,如果不是, 应先利用平滑法或差分法对原始数据进行平稳化, 然后对它建立 ARIMA( p,d，q)模型。具体步骤是: 获得观察值序列平稳性检验 获得观察值序列 平稳性检验 差分运算 确定d N Y 白噪声检验 拟合ARMA模型 确定p、q 残差检验 N Y 分析结束 3 模型的识别与预测（程序见附录） 3.1 平稳性检验 上海市1978年至2008年的人均GDP数据如表1 表1 上海市GDP数据（单位 元） 年份 人均GDP 年份 人均GDP 年份 人均GDP 年份 人均GDP 1978 2497 1987 4396 1996 19779 2005 51529 1979 2568 1988 5162 1997 22583 2006 57695 1980 2737 1989 5487 1998 24513 2007 66367 1981 2813 1990 6107 1999 26527 2008 72536 1982 2877 1991 6954 2000 29671 1983 2963 1992 8650 2001 32201 1984 3259 1993 10729 2002 35329 1985 3855 1994 13807 2003 39128 1986 4008 1995 17022 2004 46338 利用SAS软件对数据进行时序图分析，在此年间GDP数据明显有增长趋势，因此序列具有非平稳性。为了得到平稳数据，对该序列进行二阶差分，对二阶差分后的数据进行平稳性检验，由图1可以看出该序列为平稳序列，此时模型参数d=2。 图1 GDP序列二阶差分所得序列的自相关图 3.2 白噪声检验 由图2，白噪声检验延迟6阶的P值p=0.01790.05，拒绝序列纯随机性的原假设。因而可以认为GDP二阶差分后的平