基于ARIMA模型对我国就业状况的预测 .pdfVIP

维普资讯

热，●●●ｔ点●●●，＿分，叩祈，０－

基予ＡＲＩＭＡ模型财我国就业状ＺｌＢ一

瓣马跃厦门大学经济学院

摘【要】本文采用求和自回归移动平均模型（ＡＲＩＭＡ），对我国１９５２年～２００６年的就业人数的数据进行时间序列分析，结

果显示ＡＥＩＭＡ（２，１，１）模型提供了较准确的预测结果，可用于未来的预测，就此可为我国社会保障部门提供一些参考数据。

【关键词】时间序列分析就业人员合计ＡＥＩＭＡ模型未来预测

充分就业与经济增长、物价稳定、国际收支平衡并列为各国影响而不能采用固定模式进行分析预测。。

政府管理经济的四大目标。近年来我国的就业压力越来越大２对ｗ进行平稳化处理

受到社会各界的广泛关注，成为各级政府面临的严峻挑战和亟待对｛ｗ：序列进行差分，经检验发现需要对｛ｗ｝序列进行一阶差

解决的主要难题；增加就业的难点体制转轨释放出的压力，信分才能使序列达到平稳，ＡＤＦ检验量的Ｐ＝Ｏ．００００。

息化进程加快使就业的难度加大就业结构性矛盾突出。为了准３模型识别

确预测我国就业人数的发展趋势使所建模型既要满足实际的要即选择用ＡＲ（ＰＭＡ（）ｑ）还是用ＡＲＭＡ（Ｐｑ）模型对平稳的时

求，也满足统计方法理论的要求，故文章采用自回归移动平均模ｆ－ａ］序列模型进行估计。通过前文我们已经知道ｊ（ｄ）的阶数为１，即

型来建立我国就业人数的预测模型。ｄ＝ｌ。现对ＡＲＭＡ模型进行定阶分析。首先利用ＡＣＦ图和ＰＡＣＦ图

ＲＩＭＡ模型的构建思想进行模型阶数分析．初步确定为ＡＲＭＡ（２１）模型。此模型效果指

一

ＡＲＩＭＡ是一类常用的随机时间序列模型．由博克斯、詹金斯标如下表

创立。它是一种精度较高的时问序列短期预测方法其基本思想ＣＳＣ

是：某些时间序列是依赖于时间ｔ的一簇随机变量．构成该时序ＡＲＭＡ（２、１）１６９６９３７１７．ｏ４４４２

的单个序列值虽然具有不确定性但整个序列的变化却有一定的从下表的数据可以证实其参差接近白噪声序列

规律性．可以用相应是数学模型近似描述。通过对该序列的分析ＡＣＦ和ＰＡＣＦ图的观察

研究．能够更本质的认识时间序列的结构与特征，达到最小方差ＬＡＧｔ２３４６７８９

ＡＣ．０２０９．０２３２００９９．０１２６００９５００２３．００６８００４７Ｏ＿ｏ１７

意义下的预测。ＰＡＣ－０２０９－０２８９０，０２８－０１ｇ