基于工业产值的arma分析——聂顺龙.docx免费

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 【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 yt=φ1 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φ1，φ2，…，φp称为自回归系数，是模型的待估参数。随机项ut是相互独立的白噪声序列，且服从均值为0，方差为σ 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 1.2移动平均模型 如果时间序列yt yt=ut 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θ yt=θ（B） 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=φ1 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 φByt= 2.模型的预测 2.1AR（p）序列预测 ZL=φ1 式中Zn-j=yn-j 2.2MA（q）序列的预测 yn+L=un+L 可见白噪声的时刻都大于n，故与历史取值无关，从而Z 而当L≤q时，各步预测值可写成矩阵形式： Zn+11Zn+12 递推时，初值Z01， 二、问题分析 数据来源：数据分析与EViews应用142页。 绘制折线图，如图2.1所示，序列具有明显的增长趋势，并包含周期为12个月的季节波动。 图2.1 我国工业总产值折线图 图2.2是序列自相关图，表明序列是平稳的。 图2.2 工业总产值序列自相关图 为消除趋势同时减小序列波动，对原序列做一阶自然对数逐期差分为ilip，做出其自相关与偏相关分析图2.3。由图可见序列趋势基本消除，但k=12时，样本的自相关系数和偏相关系数显著不为0，表明季节性存在。对序列ilip做季节差分，得到新序列siip。为检查模型的预测效果，将1997年的12个观测值留出，作为评价预测精度的对象参照。 图2.3 序列ilip自相关---偏自相关分析图 绘制silip的样本自相关分析图2.4，如图所示。由图可见序列silip的样本自相关与偏自相关系数很快的落入随机区间，股序列趋势基本消除，但k=12时取值仍然较大，季节性依然比较明显。 图2.4 序列silip自相关--偏自相关分析图 对序列做一阶差分。得到序列样本平均数是-0.0020，均值标准误差为0.0037，序列均值与0无明显差别，表明序列可以直接建立ARMA模型。 三、模型识别与建立 经过一阶逐期差分，序列趋势消除，故d=1；经过一阶季节差分，季节性基本消除，故D=1。所以选用ARIMA（p，d，q）（P，D，Q