基于ARMA乘积模型的CPI指数分析及预测.docxVIP

基于ARMA乘积模型的CPI指数分析及预测 作者:顾小涵 来源:《时代金融》2014 年第 14 期 　　【摘要】CPI指数是一个相对滞后的数据指数，通常是反映市场经济的一个重要指标。本文选取我国1990年1月至2013年11月共287个月份的CPI指数数据，对CPI序列建立乘积模型ARMA（1，1，1）×ARMA（0，1，1）12。结果表明，该模型是描述全国CPI变化趋势较优的时间序列模型。最后，本文利用此模型对2013年12月、2014年1-4月份的全国CPI指标进行了预测，并提出了相应的政策与建议。?　　【关键词】消费者物价指数 预测模型 通货膨胀?　　一、引言?　　CPI指数，即消费者物价指数（Consumer Price Index），英文缩写为CPI，是反映与居民生活有关的产品及劳务价格统计出来的物价变动指标，是用来判断是否出现通货膨胀的重要衡量标准，如果CPI指数上升较为缓慢温和，则说明经济增长稳定，没有通货膨胀或通货膨胀轻微。?　　受全球金融危机的影响，2008年8月份开始，我国CPI指数一路下滑，自2009年4月份开始更是出现了连续3个月的同比负增长。短短1年时间，CPI指数从2008年4月份的同比上涨8.5%变为2009年4月份同比下降1.5%。?　　ARMA模型，即自回归移动平均（auto regression moving average）模型，许多学者将其运用于经济、旅游、能源、医学、环境等众多领域并获得了较好的成果。本文选择1990年1月至2013年11月共287个月的中国CPI指数为研究对象，应用乘积模型进行分析，运用时间序列的建模方法对该CPI指数序列进行拟合、预测分析，主要目的是给居民的消费行为和政府的政策决策提供支撑。?　　二、基于SAS、Eviews软件的实证分析?　　（一）绘制序列时序图?　　我们用相关统计分析软件绘制序列时序图，时序图显示该序列前面一段时间有明显的一个峰谷，显然不平稳。?　　（二）差分平稳化?　　对原序列作1阶12步差分，希望提取原序列趋势效应和季节效应，得到差分后序列时序图，该时序图显示差分后序列类似平稳。?　　（三）模型定阶?　　为进一步进行平稳性判断，在此考察差分后序列自相关图的性质，并估计拟合模型的阶数。?　　自相关图显示延迟12步自相关图系数显著大于2倍标准范围，这说明差分后序列中仍蕴含着非常显著的季节效应。延迟1步、2步的自相关系数也大于2倍标准差，这说明差分后序列还具有短期相关性。同样，观察偏自相关图得到的结论和上面的结论一致。?　　我们可以用单位根检验进一步对差分后的数据进行检验其平稳性。Tau统计量的P值显著小于0.05，可以认为序列显著平稳。?　　我们用SAS在identify后面添加minic选项，根据BIC信息量最小原则，得出ARMA（2，0）模型最优，即AR（2），所以尝试拟合ARMA模型，拟合效果不理想，拟合残差通不过白噪声检验。?　　说明简单的ARMA模型并不适合于拟合这个序列。考虑到该序列既具有短期相关性又具有季节效应，短期相关性不能简单、可加性地提取，因而估计该序列的季节效应和短期相关性之间具有复杂的关联性。?　　这时，通常假定短期相关性和季节效应之间具有乘积关系，尝试使用乘积模型来拟合序列的发展。?　　乘积模型的构造原理如下：?　　当序列具有短期相关性时，通常可以使用低阶ARMA（p，q）模型提取；当序列具有季节效应，季节效应本身还具有相关性时，季节相关性可以使用以周期步长S为单位的ARMA（P，Q）模型提取。?　　由于短期相关性和季节效应之间具有乘积关系，所以拟合模型实质为假设短期相关和季节效应之间具有乘积关系，模型结构如下ARMA（p，q）和ARMA（P，Q）的乘积。综合前面的d阶趋势差分和D阶以周期S为步长的季节差分运算，对原观察值序列拟合的乘积模型完整的结构如下：?　　该乘积模型简记为ARMA（p，d，q）×ARMA（P，D，Q）s。?　　回到模型的定阶阶段，考虑到差分后序列短期相关性显著，尝试拟合乘积模型ARMA（1，1，1）×ARMA（0，1，1）12。?　　（四）参数估计?　　使用条件最小二乘法估计方法得到参数估计值，如图：?　　（五）模型检验?　　对拟合模型进行检验，上图显示该模型通过参数显著性检验（因为P值显著小于0.05），同时，模型也通过了残差白噪声检验。?　　（六）最终模型?　　由SAS结果可知拟合模型的口径为：?　　将序列拟合值和序列观察值联合作图，可以直观地看出该乘积模型对原序列的拟合效果良好。?　　三、模型的预测?　　为了验证模型预测的准确程度，我们现对2013年9月到11月年过去的三个月进行预测，并用真实值与预测值进行比较，结果如下所示：?