基于工业产值的arma分析——聂顺龙.docVIP

基于我国工业总产值月季度的 ARMA 模型分析 聂顺龙 （华北科技学院 基础部） 【摘要】 本文基于 ARMA 模型的预测方法，对我国工业总产值进行短期预测。首先对数据 绘制折线图进行分析，序列具有明显的增长趋势，并包含 12 个月的季节波动；其次是对模 型的选择建立 ARMA 模型；然后是对模型的选择评价， 选出 ARIMA(3,1,1)1,1,1 12 模型；最后 用选出模型进行短期预测。从模型的建立及最后数据的预测可知是可靠的。 【关键词】 ARMA 模型 短期预测 Based on our country gross industrial output value of ARMA model analysis on quarter NieShunLong (north China institute of science and technology of foundation) 【 abstract 】 this paper, based on the ARMA model forecast method, to our country gross industrial output value for the short-term forecast. First to draw the line chart data analysis, sequence has the obvious growth trend, and contains 12 months of season fluctuation; Next to the choice of the model is set up ARMA model; Then is to choose the model of evaluation, and select a model. The last elected with short-term prediction model. From the model and the last forecast data that is reliable. 【 key words 】 ARMA model the short-term forecast 一、引言： 1.1 自回归模型 如果时间序列 yt 是它的前期值和随机项的线性函数，函数可表示为： yt = φ 1 yt- 1 + φ 2yt - 2 + ? + φ p yt - p + u t （ 1.1） 则称改时间序列 yt 为自回归序列， 为 p 阶自回归模型， 记为 AR（ p）。实参 φ ，φ ， ?，φ 称 1 2 p 为自回归系数，是模型的待估参数。随机项 u t 是相互独立的白噪声序列，且服从均值为 0 ， 2 ， yt- 2 ， ?， yt - p 不相关。模型还可改写为： 方差为 σ 的正态分布。 随机项 u t与滞后变量 yt - 1 φ B yt = u t （ 1.2） AR（P）过程平稳条件是滞后多项式 φ （ B）的根均在单位圆外，即 φ B = 0的根大于 1。 1.2 移动平均模型 如果时间序列 yt 是它的当期和前期的随机误差项的线性函数，即可表示为： yt = ut - θ 1 ut - 1 - θ2 ut - 2 - ? - θ q u t- q （ 1.3） 1 则称该时间序列 yt 是移动平均序列，式（ 1.3）为 q 阶移动平均模型，记为 MA（ q）。实参数 θ1 ， θ 2 ， ?， θ q为移动平均系数，是模型的待估参数。模型可简写为： yt = θ （B ）u t （ 1、 4） 移动平均过程无条件平稳， AR 与 MA 过程能相互表出，即可逆。 1.3 自回归移动平均模型 如果时间序列是它的当期和前期的随机误差项以及前期值的线性函数即可表示为 : yt = φ 1 yt - 1 + φ2 yt - 2 + ? + φ p yt - p + u t - θ 1 u t - 1 - θ 2 u t- 2 - ? - θq ut - q （ 1.5） 则称该时间序列 yt 为自回归移动平均序列，式 1.5 为（ p，q）阶自回归平均模型，记为 ARMA （ p， q ）。序列 φ 1 ，φ 2 ， ?， φ p称为自回归系数， θ 1 ， θ 2 ， ?， θ q 为移动平均 系数，都是模型的待估参数。模型可简化为： φ B yt = θ （ B） u1 （ 1.6） 2.模型的预测 2.1AR（ p）序列预测 Z L = φ 1 Zn L - 1 + φ 2 Zn L - 2 + ? + φ p Zn L - p （ 1.7） 式中 Zn - j = yn - j