居民消费价格指数的时间序列分析及预测

时间序列是按照时间顺序取得的一系列数据,大多数的经济时间序列存在惯性,通过这种惯性分析可以由时间序列的历史数值对未来值进行预测.文章主要利用时间序列的趋势外推方法对我国目前居民消费价格指数(CPI)进行了建模析和预测,以达到合理预期和分析的目的.     

经济预测中的指数平滑法

指数平滑法是回归分析和时间序列相结合的一种预测方法。华伯泉同志在《统计研究》1986年第2期中介绍了这种方法,但没有解决平滑常数和初始统计量的合理确定问题,也没有提到模型和实际数据是否适合的检验问题;并且以普通回归方程中y的预测区间代替指数平滑法中Z的预测区间,这是不合适的。本文试图解决这些问题,并研究K个观测值总和的预测区间。 -、以时间为独立变量的回归模型 设Z_(n j)表示在时间n j的观测值,考虑如下形式的模型:     

基于特征提取的金融时间序列形态挖掘

以金融时间序列的上升三角形形态为例给出了金融时间序列挖掘与特征提取的方法，在挖掘过程中充分利用挖掘者的经验背景知识，提出了一种基于特征提取的金融时间序列形态挖掘算法。该算法首先对金融时间序列进行趋势化预处理，将曲线转化为折线表示，形成形态的趋势片断，然后再从这些趋势片断中提取出相关形态的属性特征。它提高了序列形态特征提取的有效性，使搜索空间大为减小。     

时间序列的综合分析法在经济预测中的应用

在传统时间序列分解计算方法的基础上 ,采用灰色预测方法对趋势项进行预测 ,建立以传统分析方法和灰色系统理论相结合的经济变量长期预测数学模型 ,并对经济指标进行预测     

对统计预测中估计标准差的自由度的看法

在统计预测中,不论是时间序列预测还是因果关系预测,都是假设预测目标与影响其变化的因素之间存在着相关关系（线性或非线性）。因此,建立预测模型y=f（x1,对于一组样本观察值,满足,,且各;相互独立。为了研究y与x1,x2,...,xm之间的关系,我们建立回归模型,用所建立的预测模型进行预测和控制。对于给定的,则预测目标的点预测值为;当样本容量N较大时,预测目标的概率为95．45％的预测区间约为,其中为估计标准差（N为样本容量,m为模型中被估计参数的个数）。不论是线性模型还是非线性模型结论都是如此。由暴奉贤、韩兆洲、郭…     

关于经济时间序列分解的状态空间方法研究

一、经济时间序列的季节调整和分解 在经济领域中观察到的时间序列到一般都具有明显的季节变化和增长趋势。设{y_t}是一经济时间序列(以下简称经济序列),通常假定其由三项要素构成:趋势项(T_t),季节项(S_t),不规则项(I_t)。按照具体的组合形式,可分为两类模型: 加法模型 (1)     

基于混合时间序列模型的粮食产量预测

粮食产量的预测是保障粮食安全的重要组成部分.文章结合河南省许昌市粮食产量的历史数据,首先建立趋势外推预测模型,并对模型进行相应的分析;然后运用趋势外推与ARIMA模型(求和自回归移动平均模型)结合起来的混合时间序列模型对趋势值和真实值之间的离差序列即残差进行分析,得到混合时间序列模型的预测结果;最后通过比较得出的混合时间序列模型预测的精度较高,可作为粮食总产量预测的有效工具之一.     

平行数据模型中的异方差问题的处理

一、引言平行数据 (PanelData)指在时间序列上取多个截面 ,在这些截面上同时选取样本观测值所构成的样本数据。也就是把截面和时间序列数据融合在一起的数据。平行数据模型是一类线性经济模型 ,这些模型可以看作协变量的双向设计。如 :yit =∑pk =1xitkyk uit,i=1 ,2 ,L,N ,t =1 ,2 ,L,T其中N是横截面的个数 ,T是每一横截面上时间序列的长度 ,P是外生的或自变量的个数。近 2 0年来 ,平行数据模型在计量经济学理论方法方面取得了重要发展 ,新方法、新观点层出不穷。在经济分析中 ,平行数据模型起着只利用截面数据或只利用时间序列数据模…     

我国统计数据质量的评估方法研究————————趋势模拟评估法及其应用

 本文采用组合模型的形式对时间序列数据的变化特点建模，在模型通过各种检验、具有良好统计预测功能的基础上，从检验异常值的角度来分析预测值与实际值之间差异的程度，找出离群数据，利用数理统计中检验实验观测数据异常值的方法，对离群数据的误差进行统计上的显著检验，从而评估统计数据的质量。文章以我国国内生产总值（GDP）为研究对象，选取我国1978-2003年间的GDP作为样本，运用趋势模拟评估法来评估我国2004年国内生产总值的准确性。对我国经济指标的时间序列数据进行了实证分析。     

基于EMD的时间序列不同频率波动及趋势研究

希尔伯特-黄转换(HHT)的经验模态分解(EMD)法为分析经济金融领域的非线性、非平稳时间序列不同频率的波动以及序列的变动趋势提供了一种新的简单有效的统计分析工具。文章利用这种新的分析方法对我国通货膨胀率以及股票实际收益率的不同频率的波动关系和长期变动趋势进行了实证分析。     

固定资产投资与经济增长关系探究:来自平行数据的证据

一、研究现状评述从数据特点进行分类,对投资和经济增长关系的研究,大致可以分为两个方面:(1)利用时间序列数据或者截面数据进行实证分析;(2)利用平行数据进行实证分析。所谓平行数据(panel data,也译作面板数据、综列数据等),是指在时间序列数据上取多个截面,在这些截面上同时选取样本观测值所构成的样本数据。利用截面数据,Levine and Renelt(1992)研究表明投资是一个灵敏的变量,对国家经济增长的影响是正的与统计显著的。利用法国、德国、日本、英国与美国的时间序列数据,Alfred and Willi(2001)研究了投资的外部性与内生经济增长的关…     

时间序列趋势分析方法的选择及矫正

经济定量化的发展,使时间序列趋势分析在解决社会经济生活中问题的作用越来越广泛,如国民生产总值(GNP)和股市行情的趋势分析等等.单纯地谈及趋势判断问题和趋势预测问题,人们都很清楚其重要性,然而实际分析中,一些貌似枝节实际极为重要的环节往往被人们忽略.那么,如何开展时间序列趋势分析呢?     

时序模型分析在经济预测中的应用

时间序列分析方法主要就是建立模型,目的是为了描述时间序列中产生数据的随机机制与趋势,以此模型来判断在某一时间或随机机制下会发生的数据达到预测和控制的目的。时间序列可分为平稳的时间序列和非平稳的时间序列,大部分经济时间序列为平稳的时间序列。对于平稳的时间序列进     

SARS疫情对深证成指影响的时间序列模型

时间序列是一组按时间顺序排列数据序列,经常用x1,x2,……,xm,……表示.在经济分析中,许多历史统计数据都可建立时间序列模型,并可借助相应模型进行外推以预测未来,亦即时间序列预测.本文利用SAS系统下时间序列(ETS)模块建立带有自相关校正的回归模型和带有干预序列的ARIMA模型,计算、分析SARS疫情对我国深证成指走势的影响.     

中国人均GDP(1952-2002)时间序列分析

时间序列是按照时间顺序取得的一系列数据.大多数的经济时间序列存在惯性,或者说是迟缓性,通过对这种惯性的分析可以由时间序列的当前值和过去值对未来值进行预测.分析时间序列的方法有很多,本文主要讨论用伯克斯-詹金斯(Box-Jenkins)模型对中国人均国内生产总值时间序列进行建模和短期预测.     

中国GDP的季度调整模型及预测分析

基于全国2000年1季度至2014年4季度的GDP季度数据,文章采用乘法模型的时间序列分解法对其进行季度调整,得到不合有季节性特征的时间序列,然后进行趋势性分析以及趋势模型的建立、估计与检验,并结合季节指数预测出2015年1季度至2016年4季度的季度GDP.     

基于季节性ARIMA模型的居民消费水平预测

文章以居民消费价格指数(CPI)的短期预测作为切入点,采用定量的时间序列分析方法,建立季节自回归综合移动平均(季节性ARIMA模型)模型对CPI时间序列进行量化分析.首先阐述基于该模型的CPI预测的一般过程,即:平稳化处理、差分变换的阶数辨识、参数估计,时间序列模型的构建,然后对模型进行性能检验,确定较适合的季节自回归综合移动平均模型,最后在实证分析中探讨经济变量CPI与时间变量之间的变动规律,对CPI时间序列进行适当的差分处理,取得了较为理想的预测效果.     

经济模型结构稳定性的统计诊断

1模型结构稳定性的统计描述为分析问题方便起见,我们设在所研究的模型中,内生变量为y,外生变量为x1熏x2熏…,xk,其N个序列观测值yt熏x1t熏x2t熏…熏xkt熏t=1熏2熏…,N来自两个经济环境不同的时期,其中前N0(N0相似文献   

马氏链点值预测方法和时序分析预测方法的统计试验研究

基于绝对分布的马尔可夫链预测(ADMCP)方法、叠加马尔可夫链预测(SPMCP)方法和加权马尔可夫链预测(WMCP)方法在各种水文序列预测理论中得到了广泛的应用。然而,实际生活中仅仅预测出状态区间是不够的,文章给出了一种基于马氏链状态预测方法的点值预测方法,并将其与普遍接受的时间序列分析预测方法进行了基于统计试验的比较分析,得出了该方法在水文序列预测中较优的结论。     

决策参考点变化引起的偏好逆转现象探讨

一、展望理论及其对EU公式的修正 在讨论中采用最典型的两结果赌局,通常表示为(p,x;y)--以概率p出现结果x,以概率(1-p)出现结果y,一般假定x≥y,如果x=y,则该赌局为无风险赌局.赌局之间的严格优于关系表示为φ,无差异关系表示为～.在EU理论下,赌局之间的偏好为序关系,其对应于赌局的无风险价值EU(p,x;y),高的无风险价值优于低的无风险价值.存在一个严格单调递增的效用函数U(·),使得: