基于时间序列分析的江苏省GDP预测模型.docxVIP

PAGE2

《数据与统计创新创业教育》课程

数学与统计学院应用统计学

一、基本信息

类型

√学术论文√创业项目

题目

基于时间序列分析的江苏省GDP预测模型

形式

√数据√统计

√创新√创业

姓名(学号)

凌新萍（919113700102）

贺韵佳（919113700101）

张月星（919113700116）

注：基本信息表每个单元格最多保留一个√

二、评价

创新点

内容

规范性

总分

时间：2022年10月20

目录TOC\o1-3\h\z\u

摘要 1

一、引言 3

二、ARIMA模型简介 3

三、ARIMA模型的建立与预测 4

四、ARIMA模型对江苏省GDP的预测及实证结果分析 5

五、结语 9

参考文献 10

基于时间序列分析的江苏省GDP预测模型

摘要

分析1980年至2021年的江苏省GDP数据，建立了时间序列分析中的自回归滑动平均求和模型ARIMA（p，d，q），利用该模型对江苏省GDP进行短期预测，为江苏省经济的发展提供参考。建立1978年至2019年江苏省GDP数据的时间序列，利用R语言软件建立ARIMA模型，并用该模型预测的2020年和2021年江苏省GDP数据与实际数据进行比较，对建立的模型进行优化评估，最后利用优化模型对2022年至2029年江苏省GDP进行短期预测。根据建立的时间序列分析得到最优模型为ARIMA（0,2,6），预测值与实际值的平均相对误差为0.805%，ARIMA模型能较好地反映江苏省GDP发展的趋势并进行短期预测。

关键词：时间序列分析；ARIMA模型；R语言

一、引言

国内生产总值（GrossDomesticProduct）是体现经济发展情况的一个重要指标，而研究GDP的数值对预测经济的发展起到了极大的参考作用。如果能正确的预测出GDP的发展，那么就可以依据预测的结果，为国家或地区在制定经济政策方面上提供依据和参考作用。然而任何一个国家的国民经济有许多因素构成，我国国民经济的重要组成部分之一则是各个省区的经济，一些发展比较迅速的省区更是对全国经济的增长起到了推动了作用，而一些发展比较缓慢的省区，其原因和解决的方法也是很值得我们去研究的。

ARIMA模型建立的过程分为模型的识别、估计、检验和预测这四个过程。

江苏省是一个比较发达的省份，而它所处的地理位置和众多人数也对全国经济的发展起到了很重要的作用。最近几年来，江苏省的经济呈现快速增长的趋势，但是这个趋势能保持多久却是我们需要仔细考虑的问题。所以本文就对江苏省的GDP数据进行分析研究，而研究GDP具有一定的现实和指导意义。本文选择时间序列分析的方法对江苏省GDP进行预测，时间序列预测是通过处理自身时间序列的数据来研究其变化趋势的，也就是通过分析过去和现在的数据来预测未来的数据，而分析处理数据的过程就是建立模型的过程，然后再依据建立的模型来预测出未来数据的变化。

二、ARIMA模型简介

时间序列分析方法，主要是用来解决具有随机性、季节性以及平稳性的时间序列问题的，它是由博克斯-詹金斯（BoxJenkins）发现的。最基本的模型是自回归滑动平均求和模型ARIMA（p，d，q），当p=0，d=0时，就是滑动平均模型MA（q），当q=0，d=0时，就是自回归模型AR（p），当只有d=0时，模型就变成了自回归滑动平均混合模型ARMA（p，q），所以后三种模型是ARIMA模型的特殊形式。

ARMA（p，q）模型

ARMA（p，q）模型是自回归模型（AR）和滑动平均模型（MA）的混合形式，所以它又称为自回归滑动平均混合模型，方程形式为：

Y

其中，c是常数，是自回归模型AR的系数，p是AR的阶数，是滑动平均模型MA的系数，q是MA的阶数，et是均值为0方差为σ

ARIMA（p，d，q）模型

ARMA模型只能在的平稳时间序列中应用，对于非平稳的序列，ARMA模型却不再适用，这时就需要引入一个新的模型，即ARIMA模型，ARIMA模型主要解决非平稳的时间序列问题。

{Yt}是一个不平稳的时间序列，在d次差分运算后，序列逐渐趋于平稳，就称Yt是自回归滑动平均求和混合模型。如果差分后的序列Wt=?dYt满足ARMA（p，q）模型，就称Yt

W

用序列符号Yt

Y

+

通过化简可以得到：

Yt=

+

称其为模型的差分方程形式。值得注意的是，该表达式看起来是一个ARMA（p＋1，q）过程。

从上述方程之间的相互转化可以推断出，ARIMA模型实际上就是差分运算和ARMA模型之间的结合