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.     

基于时间序列的房地产价格走势辨识

本文采用时间序列分析法按照复杂经济系统的影响原理将上房住宅指数分解为长期趋势变动、月度变动以及循环波动三种相互独立的变动趋势,同时结合政策、市场等因素对三种变化趋势的原因进行解析,从而发现了上海市住宅市场的大势所趋以及月度变动、循环波动的典型特点。     

基于状态空间模型的中国财政支出季节调整研究

文章对中国1998年1季度至2015年4季度财政支出的时间序列构建了基于状态空间形式的季节调整模型,通过卡尔曼滤波对状态方程各量测变量进行最优估计,并通过BHHH极大似然法对模型中的超参数进行估计,得出超参数、量测变量和量测变量相关系数矩阵估计值.根据分离出的循环趋势因素和季节因素,计算季节因素绝对值变化率和HP滤波分解,得到季节因素的趋势项和循环项.通过季节因素绝对值变化率曲线、其趋势项和循环项曲线分析,得到这6个年度波动性显著的原因.研究表明,中国财政支出具有季节性特征,但在特定年份受到国内经济环境和国内财政政策的影响,季节因素具有较大程度的波动性趋势.     

季节分析中趋势剔除的研究

一、问题的提出在传统时间序列分析中,重点是确定性因素的分解和提取。确定性因素分解一般归纳成四大因素:长期趋势、季节变动、循环波动、随机波动。由于非固定周期的循环波动和长期趋势难以严格分解,人们对四因素的分解作了改进,现在通常分解成三大因素:(1)长期趋势:包括长期     

基于SARIMA模型的我国季度GDP时间序列分析与预测

文章主要研究季节时间序列模型在我国季度GDp时间序列预测中的应用,并分析探讨模型的准确性和实用性.文章分析了我国1992～2008年的季度GDP时间序列,剔除时间趋势和季节性后使原序列平稳并建立季节时间序列模型.通过对不同模型进行参数估计和比较后发现:ARIMA(2,1,1)(1,1,1)4能很好地拟合我国季度GDP时间序列,用该模型进行预测得出了2009年四个季度和2010年前两个季度的GDP数值,分析发现季度GDP仍然呈增长趋势,但其速度放缓.预测结果的准确性较高,并具有一定现实意义.     

几种时间序列分析方法的比较与应用

一、几种时间序列分析方法的简单比较时间序列分析技术是通过对预测目标自身时间序列的处理,来研究其变化趋势的方法。本文把时间序列预测技术大致分成三个方面,即:"确定性时序分析法"、"随机(非确定性)性时序分析法"及"确定性加随机性时序组合模型分析法"。确定性时序分析法主要有:①移动平均法、②指数平滑法、③时间回归法和④季节周期预测法等。确定性时序分析法能够刻画序列的主要趋势,且直观、简单、     

应用直接法测度循环波动应注意的问题

直接法是由M.A.Brumbaugh提出的,它是用经济时间序列中每年各月数值与它前一年同月数值的百分比来度量循环变动和不规则变动程度的,只要对这一结果作一定长度的平滑以消除不规则变动,就能表明循环变动程度。不过,当原始序列不是指数趋势,直接法在方法上就失效了。直接法的缺点远不止是运用性差,更突出的表现在经济意义上。首先,它反映的并不是各时期经济水平的循环波动程度,而是各时期循环变动水平与其前一年同期循环变动水平的相对程度。其次,直接法不宜用来测度古典循环波动。古典循环波动程度是用循环水平(常常是用实际序列每期水平对该时期正常水平的百分比来表示的)来反映的。直接法的计算结果,只是一系列年距发     

GM（1，1）季节因素修正模型在预测中的应用

本文在原GM（1,1）模型基础上进行季节因素修正,使得修正后的模型在拟合既含趋势变动,又含季节因素的时间序列预测中,具有较好的效果。     

居民消费价格指数的时间序列分解预测法

居民消费价格指数是反映通货膨胀程度的重要指标,也是宏观经济分析和决策,价格总水平监控以及宏观经济核算的重要指标.文章采用时间序列分解的方法,预测居民消费价格指数的变动.该方法在预测的同时还能对时间序列进行分解分析,得到居民消费价格指数的基本走势信息.     

时间数列模型的联合估计

月份或季度资料时间数列,至少存在长期趋势、季节变动和不规则变动三种变动。测定和分解这三种变动,是时间数列分析的基本任务之一。目前,国内外通行的测定方法是分别测定,即用移动平均法或曲线配合法测定出长期趋势,再用移动平均趋势剔除     

中国棉花产量的时间序列预测模型

时间序列分析预测的首要任务是辨识影响时间序列的项目因素,这个辨识过程称为分解。每个项目的辨识都独立进行。完成分解后的各项目再度组合,由此途径来分析预测时间序列的未来值时间序列分析预测的主要任务就是对时间序列的观察样本建立尽可能合适的分析预测模型。     

金融时间序列混合智能预测模型及实证研究

文章针对金融时间序列变化复杂、难以用单一智能方法进行有效预测的问题,提出了一种新的基于经验模式分解、支持向量回归和粒子群优化的混合智能预测模型.经验模式分解能将非平稳时间序列按其内在的时间特征尺度自适应地分解为多个基本模式分量,根据这些分量各自趋势变化的剧烈程度选择不同的核函数进行支持向量回归预测,最后通过粒子群优化算法对各预测分量进行加权组合,得到原始序列的准确预测值.证券市场实证研究表明该模型可以准确预测金融时间序列.     

基于状态空间模型的中国消费率变动趋势

中国消费率长期偏低且近年有持续下降的趋势,在中国消费社会处于转型升级的重要时期,投资和消费的失衡是当前宏观经济中最严重的问题之一。在对中国消费率偏低原因的静态分析和评价的基础上,首先从消费结构的视角构建了中国1992年1季度至2010年4季度的商品货物消费率。其次,在状态空间季节调整模型中引入均方根信息滤波方法,对原有Kalman滤波模型予以改进,用R软件中DECOMP程序将中国商品货物消费率非平稳序列进行分解,得到变动趋势。再将其与总消费率的走势进行比较发现两者之间的走势存在明显差异。通过建立总消费率与商品货物消费率及消费结构之间的合理函数关系,对前两者差异以及近年中国消费率持续走低进行了合理解释,并从消费结构视角提出提高中国消费率推动消费结构升级的对策。     

时间序列分析与回归分析之异同

时间序列分析与回归分析之异同西安公路交通大学雷渐宏不少统计文献是分别论述时间序列分析和回归分析这两个问题的。时间序列分析在于测定时间序列中存在的长期趋势、季节性变动、循环波动及不规则变动，并进行统计预测；回归分析则侧重于测定解释变量对被解释变量的影响...     

融合分解集成和深度学习的金融时间序列预测模型

由于金融时间序列具有高度非线性、不稳定性等特点，单一预测模型的预测精度受限。文章将集成经验模态分解（EEMD）技术和长短期记忆网络（LSTM）相结合，同时融入麻雀搜索算法（SSA）优化神经网络参数，构建了EEMD-SSA-LSTM混合预测模型。首先将该金融时间序列进行EEMD分解，其次将分解所得的各IMF分量与残差项输入到SSA优化后的LSTM网络进行逐个预测，最后通过累加得到最终预测结果。以上证指数价格为研究对象进行实证分析，结果表明，所提出的混合预测模型的MAPE、RMSE、MAE分别为0.0122、0.3278、0.2681，具有更高的预测精度与适用性。     

趋势-季节回归与ARMA混合模型在季度GDP预测中的应用

我国季度GDP时间序列具有趋势、季节性和周期性特征,文章运用趋势-季节回归和ARMA的混合模型,捕捉其动态变化,对近期季度GDP做出较为准确的预测。     

关于趋势季节模型预测方法的改进

当时间数列受长期趋势和季节变动的双重影响时,需运用趋势季节模型进行预测.不言而喻,运用趋势季节模型进行预测,需要掌握季度或月份的趋势值.     

我国CPI季节调整模型预测

文章基于考虑春节效应的X-12-ARIMA季节调整模型,对我国2002年1月至2013年12月的CPI序列月度数据进行季节调整,并进行季节波动性分析及短期预测.实证结果表明:我国的CPI变动存在明显的季节性特征,春节效应对其有显著影响;CPI序列的短期波动主要是受季节性成分影响,而长期波动主要受趋势-循环成分影响;利用该模型进行短期预测效果较好,预测误差绝对值控制在1.5％之内.     

CPI预测的SVM-ARIMA模型构建与数值模拟

居民消费价格指数（CPI）是宏观经济中的前瞻性指标,为经济政策的制定提供数据支撑,发挥指导作用。文章利用CPI的月度数据构建基于小波分解的SVM-ARIMA组合模型,实现了对CPI的精准预测。首先,对2000—2019年的居民消费价格指数序列进行小波分解;然后,对分解后的居民消费价格指数序列分别利用ARIMA模型和SVM模型进行预测;最后,将预测结果进行整合形成对居民消费价格指数的组合预测模型,并选用2020年的实际CPI月度数据与模型预测数据进行有效性验证。结果表明：组合模型的平均绝对百分比误差（MAPE）与均方根误差（RMSE）分别为0.5383%和0.6604%,相较于ARIMA时间序列模型和SVM模型实现了极大的改进。此外,该组合模型的预测分析框架具有较强的适应性和扩展性,可用于其他相同特征类型的时间序列数据的模拟预测。     

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…