动态因子模型与ARMA模型的比较

在时间序列模型中,随着变量数目的增加,所要估计的参数的数量也随之加大,结果在应用中模型中通常不得不选取尽量少的变量。动态因子模型独特的优势在于,它不必考虑自由度损失问题,也不必对经济结构施加约束。文章根据中国宏观经济变量数据库中的41个变量,建立了动态因子模型预测GDP,并与ARMA模型的预测结果进行了对比。结果显示,动态因子模型的预测效果优于ARMA模型。     

包含虚拟变量的澳门酒店入住率预测模型及实证

本文通过引入时间趋势项、虚拟变量等,拟合出酒店入住率的主要趋势,再利用ARMA模型拟合出次要趋势——随机扰动项,在此基础上建立了新的入住率回归模型。检验结果表明,该模型对酒店入住率的预测效果更加理想。最后使用相关模型预测了2007年1-12月的酒店入住率。     

我国人均国内生产总值的预测分析

人均国内生产总值能较好的体现一个国家经济的动力学特征,对其进行研究有着重要意义。针对传统的自回归滑动平均(ARMA)模型预测稍长时误差过大,而GM模型又由于建模数据过少很难体现出经济发展趋势,文章尝试将这两种模型相结合成ARMA-GM组合模型,并将其运用到我国人均国内生产总值的预测中,通过与传统方法对比,可以看到改进后的模型在预测稍长时仍能保持较高的精度。该方法对于其他经济方面的预测也具有一定的理论和实践意义。     

股指期货预测模型构建及其应用效果分析

文章选择股指期货价格以及基差预测这一理论界和实务界共同关心的问题为研究对象,使用香港恒生期货数据为样本,分别采用时间序列ARIMA、ARMA模型对恒生期货连续指数的日收盘价对数序列LHF和基差序列BASIS进行建模分析,并利用预测误差检验量对模型样本外的预测效果进行了实证研究.结果表明,ARIMA(3,1,3)模型很好地拟合和预测了股指期货指数对数LHF序列的走势,达到了预测目的;ARMA(1,1)和ARMA(3,3)模型在预测精度方面不甚理想但基本刻画了基差序列的变动趋势.     

非经典计量经济建模方法论的特征分析与比较研究

 按照内容的沿革,计量经济模型分为经典计量经济模型和非经典计量经济模型。非经典计量经济建模方法论既是经典计量经济建模方法论的发展和延伸,又在建模理念、建模方法、模型应用等方面有着很大的不同。本文从数据类型、模型变量、建模对象、参数形式、建模思想等几个方面,对非经典计量经济建模方法论进行了系统的梳理、归纳和分析,重点比较了其与经典计量经济建模方法论的不同特征,对计量经济模型方法论发展演进的规律进行了初步的总结。     

支持向量回归特征提取的ARMA准则——中国社会消费品零售总额预测的实证研究

根据统计学习理论,针对局部灰色支持向量回归方法,提出了单变量经济时间序列预测特征提取的ARMA准则.对中国社会消费品零售总额的试验结果表明:ARMA准则能客观准确地实现特征提取,获得较高的预测精度.     

基于小波多分辨分析的协整建模理论与方法的扩展;

为讨论经济及金融变量的多尺度行为,描述变量之间在不同时间尺度上的长期均衡关系,将小波多分辨分析引入协整建模理论,提出多分辨协整和多分辨误差校正模型两个概念,给出相应建模方法,克服了传统的协整建模理论无法揭示蕴含在变量内部的多时间尺度信息的缺陷。多分辨协整建模能够更加细致地捕获经济或金融变量在不同时间尺度上的关系,对两大股指的实证研究也支持了这一点。     

能源需求组合预测模型的构建及应用

随着中国经济的快速发展,能源消费不断提高。文章利用能源消费量的历史数据,建立了我田能源消费系统的ARMA模型和灰色预测模型的组合模型,通过组合模型和ARMA模型、灰色预测模型的具体比较分析,证明组合模型更为易行、有效。结论可以作为我国及地区未来能源消费量预测的有效工具。     

黑龙江省空气质量数据的分析和预测

本文分别基于ARMA模型,主成分分析模型和神经网络模型对黑龙江省空气质量数据进行了分析和预测。首先,基于ARMA模型,本文对黑龙江省未来的空气状况数据进行预测并检验了其预测精度。其次,采用主成分分析对大气污染物等自变量进行降维,选取了有效的主成分,并对AQI进行一定刻画。最后,借助神经网络的计算机手段,对数据中变量的复杂关系做深入挖掘,以对前面的分析结果进行合理补充。     

基于模糊Box-Jenkins方法的电价建模与短期预测

由于单一的AR、MA和ARMA模型不能很好地匹配复杂的电价时间序列数据,因此传统的Box-Jenkins方法不能很好地进行电价预测。文章提出了基于模糊Box-Jenkins的电价建模和短期预测方法。引入模糊策略,生成分别对应Box-Jenkins方法中的AR,MA,ARMA三个模型的模糊因子,再通过模糊因子对三个模型进行模糊综合。对浙江省电力市场电价数据的仿真表明,在电价序列不能较好地匹配Box-Jenkins方法中各模型的情况下,模糊Box-Jenkins方法能取得更好的预测效果。     

统计软件R与ARMA模型

一、ARMA模型概述 ARMA模型包括三种基本类型:自回归模型AR(p)、移动平均模型MA(q)和自回归移动平均模型ARMA(p,q).自回归移动平均模型ARMA(p,q)的一般表达式是:     

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。     

基于质量损失函数的ARMA控制图经济设计

为提高统计过程监控灵敏度并减少监控费用,文章研究了自回归移动平均(ARMA)过程的统计与经济设计问题.首先构建ARMA控制图监控自相关过程,基于田口质量损失函数对ARMA控制图进行经济设计并构建经济模型;利用遗传算法求解,确定ARMA控制图的五个参数[n,h,k,φ,θ]最优组合,使单位时间费用最低.最后,对该模型的参数进行灵敏度分析,由此得出在实际监控过程中与单位时间期望费用相关的参数,以减少质量损失.     

传统数据发掘方法的缺陷

由于关于社会经济方面的数据无法经由实验得到,而只能被动地通过观察、观测获得,所以如何使用这有限的数据来发掘出隐藏在背后的社会经济规律是至关重要的.现在常用的方法是运用统计中的回归分析方法,在多个变量之间回归方程,以试图发现其中的社会经济规律.但是,一般来说,社会经济理论并未明确指定应该包括哪些变量,不包括哪些变量.这就导致建模者面对可能的变量的集合,要从这些“候选”变量中进行筛选,拟合大量的回归方程.这些回归方程随设定的不同而不同,随所用的独立解释变量的不同而不同.建模者要按照一定的准则选择“最优”或“成功”的模型来报告.“最优”或     

大数据背景下网络调查样本的建模推断问题研究——以广义Boosted模型的倾向得分推断为例

随着大数据和网络的不断发展,网络调查越来越广泛,大部分网络调查样本属于非概率样本,难以采用传统的抽样推断理论进行推断,如何解决网络调查样本的推断问题是大数据背景下网络调查发展的迫切需求。本文首次从建模的角度提出了解决该问题的基本思路：一是入样概率的建模推断,可以考虑构建基于机器学习与变量选择的倾向得分模型来估计入样概率推断总体;二是目标变量的建模推断,可以考虑直接对目标变量建立参数、非参数或半参数超总体模型进行估计;三是入样概率与目标变量的双重建模推断,可以考虑进行倾向得分模型与超总体模型的加权估计与混合推断。最后,以基于广义Boosted模型的入样概率建模推断为例演示了具体解决方法。     

自回归模型选择的多准则方法

模型选择是建立时间序列模型的基础.文章将AR模型选择转化为多目标决策问题,并采用熵值法定权进行求解,在此基础上建立了模型选择的多准则方法,从而有效的解决了模型选择问题.该方法还可推广到滑动平均自回归(ARMA)的选择,由此提供了一条普遍适用的建模思路.     

我国个体经济就业的实证研究

本文通过回顾我国改革开放以来个体经济就业的发展情况,利用柯布-道格拉斯生产函数建立个体经济的就业函数。并利用1981—2007年个体经济发展的数据建立ARMA模型分析我国个体经济的就业与资金、收入等变量的关京。发现其吸纳就业的能力与营业收入、注册资金总额都成正比。     

基于Boosting-ARMA的碳价预测

自回归滑动平均(ARMA)模型是最流行的预测模型之一,而模型选择却是使用ARMA进行预测的难点,尤其是当真实模型的阶数较高时,因此提出Boosting-ARMA预测算法,利用Boosting算法进行最优子集ARMA寻找,自动且高效地完成ARMA模型的识别。模拟实验显示,Boosting-ARMA优于其他方法,用新算法预测碳价实证分析发现,Boosting-ARMA算法可以获得较高的碳价预测准确性并且方便快捷。     

中国经济波动来自趋势还是周期——基于多种UC模型的比较分析

传统趋势周期分解方法存在理论基础不符实际、缺少数据生成过程等问题,相较而言,UC模型具有一定优势。论文采用贝叶斯方法和中国宏观季度数据,估计了多个UC模型以分解产出的趋势和周期。研究发现：(1) 断点期在2008Q1的无约束UC模型为最优模型;(2) 趋势新息波动大于周期新息波动,两者高度负相关;(3) 趋势增长率发生了结构性下降;(4) 经济下行源于趋势下行而非周期下行。论文的基本结论在双变量模型、其它数据、其它经典单变量方法下依然成立。论文为宏观调控和“供给侧”改革提供实证依据。     

横截面数据变量的规模特征:特征价格建模分析

本文通过对截面数据排序这样一种创新的简单建模实验,将经济变量间关系的一个基本特征——非线性规模效应纳入到截面数据模型设定中。本文以特征价格模型为实验案例,具体的分析对象是汽车和电脑的特征价格模型。实验得出的主要结论有:由于忽略了截面数据样本中潜在的非线性规模效应,传统模型得出的特征价格指数很可能存在系统偏差;基于规模解释变量的数据排序方法是滤出截面数据样本中非线性信息的一种简易而有效的途径;截面数据一经排序,便可采用现有的系统动态建模方法来实现对变量间这种非线性规模信息的滤出。