时间序列期末论文.pdfVIP

ARIMA模型在全国年底总人口预测中的应用 【摘要】：人口发展与社会经济的发展是密不可分的，研究我国总人口的现状，对我国人口 数进行分析和预测，有利于及时控制人口的增长，调节人口平衡，利于政府及时了解发展 趋势并做出反应对策，使我国人口发展步入健康的轨道。本文利用自回归移动平均模型 （auto regressive moving average model ，ARMA ）及其建模原理和思路，并结合 Eviews 软件 将 ARMA 模型应用于 1980 年—— 2012 年我国年底总人口数据序列的分析和预测。经检验 此模型对原始数据有着较好的拟合度和较高的预测精度。利用此模型可对我国年底总人口 进行合理的预测。 【关键词】： 时间序列； ARMA 模型；我国年底总人口；人口预测 一、引言 我国是世界上人口最多的国家， 2008 年末中国大陆人口 13.28 亿，，占世界 上五分之一人口，亚洲人口的三分之一。中国人口的发展同中国社会的发展一 样经过了漫长而曲折的道路。在世纪的进程中，目前我国进入了一个全新的时 代，要想在 21 世纪——这个充满竞争与挑战的时代中变的富强、屹立于世界民 族之林，全取决于人口的问题能否顺利解决，人口现状等问题，我国必须重视 并根据其趋势做出反应对策。因此，认真分析我国当前人口现状，从中发现其 变化的趋势，并对未来总人口进行短期预测，及时采取必要的政治及经济措施 来解决人口发展问题，对树立未来的发展目标很有必要。总之，人口是构成社 会的主体，在我国社会主义现代化建设中，人口问题始终是极为重要的问题， 而人口问题的本质是发展问题。人口发展与社会经济的发展也是密不可分的。 基于此，我们利用时间序列中的 ARMA 模型对我国人口进行预测，对人口的控 制起到指导作用，有利于政府采取必要的政治及经济措施来进行调控。所以， 对其进行分析和测试是非常有意义的工作。 二、模型简介 自回归求和滑动平均模型 (auto regressive integrated moving average model), 称为 ARIMA 模型，是将非平稳时间序列转化为平稳时间序列，然后将因变量仅 对它的滞后值以及随机误差项的现值进行回归所建立的模型。 自回归移动平均过程，是由自回归和移动平均两部分共同构造的随机过程， 记为 ARMA （p ，q ）。其中 p 、q 分别表示自回归分量和移动平均分量的最大滞 后阶数。它的表达式为： 当时间序列非平稳时，首先要通过差分或取对数使序列平稳后再建立时间 序列模型。随机过程 若经过 d 次差分后可变换为一个平稳可逆的 ARMA （p， q ），则称 为（ p，d ，q ）阶单整自回归移动平均过程，记为 ARIMA （p ，d，q ）。 建立时间序列模型通常需要以下步骤： （1）数据预处理 在建模之前首先进行平稳化检验，判断是否为平稳序列，可以通过相关图 判断。如果一个随机过程是平稳的，则其自相关函数呈指数衰减或正弦衰减， 而且衰减得快；相反，如果是非平稳过程，则衰减得很慢 。 也可以用单位根检 验，判断随机过程的平稳性。单位根检验是检验时序稳定性的一种正式的方法。 若为非平稳序列，则通过差分变换、对数变换对数据进行平稳化、均值化处理。 （2）模型的识别与定阶 模型的识别主要依赖于对时间序列的相关函数（ Autocorrelation Function， ACF）图与偏相关函数（ Partial Autocorrelation Function，PACF）图的分析： ACF 图表现为拖尾衰减特征，而 PACF图在 p 期后出现截尾特征，则该过程适合 AR （p）；ACF 图在 q 期后出现截尾特征，而 PACF图表现为拖尾衰减特征，则该过 程适合 MA （q ）；ACF 图与 PACF图都呈拖尾衰减特征通过图形分析选择模型的 形式并初步确定 p、q 的值。同时利用赤池信息量准则（ A-Information Cri