【基于ARIMA模型和干预模型的我国人口总量的预测实证研究10000字】.doc

PAGE10

基于ARIMA模型和干预模型的我国人口总量的预测实证研究

目录

TOC\o1-2\h\u26767前言 2

1053第1章数据收集及模型的基本概念 3

15591.1ARIMA模型理论 3

147001.2干预模型理论 6

3602第2章ARIMA模型及干预模型的建立与求解 9

135372.1数据的选取及收集 9

164112.2ARIMA模型的建立及求解 10

55422.3干预模型的建立与检验 16

3275第3章模型的预测分析 23

265543.1ARIMA模型的预测 23

24263结论 24

18248参考文献 25

我国人口总量是一个很重要的发展因素，它反映着一个国家的发展，不止在社会上以及在各个方面的发展上都发挥着重要的作用。我国的人口的数量是在全世界排名第一位，2016年我国开始实行二胎政策，我国的人口发生了一些变化。为次，本文研究了在二胎政策的开展执行对我国人口总量的影响以及对2021年我国的人口总量做了预测，通过时间序列分析采用ARIMA模型以及干预模型进行分析。通过对我国人口总量数据的分析，进行模型识别、参数估计及模型检验，确立了ARIMA模型即ARMA(2,1)模型，同时为了能更好的保证研究的准确性，做了误差的比较。再根据相对误差计算出了相对误差率。计算出相对误差率，如2020年的精度提高了约为35%、2019年的精度提高了约为30%、2018年的精度提高了约为21.3%。由于国家开放的二胎政策的影响，再引入干预变量，对其进一步建模，再重新拟合出ARIMA模型。结果表明，干预模型预测值相比ARIMA模型更接近于真实值，预测误差更小。因此，利用干预模型来预测2021年我国人口总量的总值。在干预前的模型人口总量是呈增长趋势的，但在干预后能看到有些变化，虽然是也呈现增长趋势，但与干预前是有着变化增长。最后根据模型预测出2021年的年末人口总数为143202.2万人。

关键词：人口总量；差分自回归移动平均模型；干预模型

前言

时间序列是不会只靠一种模式发展下去，它经常会受到某些其他特殊事件的影响，被称为干预。其他外部事件干预的影响将导致时间序列显示一些异常，如果时间序列模型直接设置为观测值而没有处理异常值，模型不具有代表性，没有异常值处理的时间序列模型不能用作干预前数据或者干预后的数据。然后，这时需要处理干预产生的异常值，以符合最佳模型。处理的最直观和最常用的方法就是引入一个虚拟变量，然后根据建立的ARIMA模型对其进行分析和建模。该变量称为干预变量，用于评估影响在原始变量中发生的外部事件，相应的分析通常称为干预分析。然后在定性分析的基础上，从定量分析的角度来看，评估外部特殊事件对系统环境发展的具体影响实际上是干预分析模型。实际上，当我们需要建立一个变量的干预分析模型时，我们通常会考虑模型组合研究。

自从国家在2016年开始执行二胎政策，那么这个政策的存在也会对我国人口的总量有着一定的影响。想了解这项政策对我国人口总量的影响，本文选取了我国人口总量为变量进行未来一年的趋势进行预测。主要选取了我国1970-2020年的人口总量数据作为研究对象，然后将二胎政策作为研究的干预事件，通过时间序列分析采用ARIMA模型以及干预模型，在定性分析的基础上定量地研究我国人口总量的变化，进而比较两种模型的拟合结果，进而减小预测误差。论文第一章主要介绍本文所使用到的基础模型理论。第二章建立了ARIMA模型及干预模型并对其进行求解。第三章对已经做出的模型进行预测并加以分析。最后，利用干预模型预测2021年我国人口总量的总值。

第1章数据收集及模型的基本概念

1.1ARIMA模型理论

在时间序列中ARIMA模型是常用的一个模型，它的英语名AutoregressiveIntegratedMovingAveragemodel。它属于差分整合移动平均自回归模型，又称整合移动平均自回归模型（移动也可称为滑动），是时间序列预测分析方法之一。ARIMA模型是由博克斯(Box)和詹金斯(Jenkins)提出的一种很著名的方法，所以，又称为Box-Jenkins模型。ARIMA模型的优点是模型简单，只需要内生变量而不需要借助其他的外生变量。ARIMA模型实际上是AR模型和MA模型的组合。模型的缺点是要求时序数据是稳定的，或者通过差分化之后是稳定的；其实质上只能捕捉线性关系，非捕捉非线性关系。

当然，在我们学习过程中，所接触的时间序列一般是平稳时间序列，所建模型也是平稳的时间序列模型，但在我们的现实生活中，也存在着很多非平稳的时间序列，说明了它们的序列发展是会随时间的改变而