基于ARIMA-GMDH的GDP预测模型

文章先对四川省GDP分别建立了ARIMA时间序列模型和GMDH变量自回归模型来进行预测;然后利用GMDH自组织建模方法建立ARIMA-GMDH组合预测模型来预测;最后使用Bonferroni-Dunn方法对三个模型的稳定性进行分析检验。模型预测结果和稳定性检验结果表明:基于ARIMA-GMDH组合的GDP预测模型的拟合和预测都优于另外两种单预测模型。相比之下组合模型在拟合和预测效果具有较高的可靠性、准确性和稳定性。     

基于SAM的宏观统计数据质量评估方法研究

数据质量评估是统计数据质量管理的重要环节。从SAM核算框架入手,提出了宏观统计数据质量的评估方法,主要包括等量核算指标体系评估方法、账户平衡指标体系评估方法及"问题型"评估方法,以期从SAM的角度为宏观统计数据质量的甄别和提高提供一种研究方法。     

浙江宏观经济统计数据质量评估的实证研究——基于统计数据的匹配性

摘要：本文通过分析数据质量的重要性以及研究背景和方法,从数据匹配性角度出发,并运用统计模型方法,对浙江宏观经济统计数据质量进行了实证研究。结果表明浙江宏观经济统计数据质量总体较好,在此基础上给出了提高统计数据质量和减少人民群众对统计数据质疑的建议。     

GDP数据质量评估方法研究

GDP数据质量备受关注。本文介绍了逻辑关系检验法等几种统计数据质量评估办法,指出目前国家统计局针对地区GDP数据质量的评估办法中存在的问题,并提出了改进思路。     

统计数据中异常值的检验方法

一、异常值的两种理解统计数据质量问题一直困扰着我国统计界 ,也为社会各界所关注。所以近年来对其理论上的研究探讨始络保持热点。但研究的重点主要是在健全统计法律制度和完善工作程序等方面。毫无疑问 ,这些确实是提高统计数据质量的重要方面。但统计数据质量问题本质上是误差问题。即所提供的统计数据与客观的社会经济现象实际的数量特征之间的差距问题。如果数据中混进了异常值 ,就会使相应统计分析误差增大 ,小则出差错 ,大则发生事故 ,甚至导致宏观决策上的失误。因此 ,在利用统计数据进行统计分析之前 ,有必要对其进行异常数据的检…     

中国GDP统计数据高估问题讨论综述

中国GDP统计数据质量问题一直是各界关注的焦点。按照时间顺序给出了参与讨论中国GDP统计数据高估问题的正方和反方的代表性作品，并且是产生交锋性的作品，对其各自的论点和论据进行列示，让从事社会科学的学者和对此感兴趣的读者读后，能够直观地了解两方的论点和论据，同时对双方的论点和论据加以评价。     

统计数据质量评估方法探讨

统计数据质量评估是对调查、整理完毕的统计数据的质量予以评价，对其准确性进行估计。统计数据的质量包括准确、及时，全面、方便各方面的要求，本文探讨的评估方法着重于准确性方面。从当前统计数据质量评估的实践来看，统计数据质量评估可归纳为基础性评估、逻辑性评估、数理性评估和相关性评估这四种基本的方法。一、基础性评估基础性评估主要是从统计工作的规范性、统计基础的可靠性、统计报表的准确性和统计数据的合法性等方面对统计数据质量进行评估。1、统计工作的规范性评估。根据工作规范检验统计数据的采集和整理各环节的实际工…     

统计数据质量评估方法之我见

对统计数据质量进行评估,首先要明确统计数据质量的涵义.就统计实务和可操作性而言,统计数据质量应从客观性、趋势性、相对性、主体性、层次性、目的性等方面去理解.同时,还要结合用户、不同的统计客体、不同的分析目的,以及进行统计调查的时效性、经济性等联系起来进行综合的、全面的考察.第一,客观性.就是既不扩大也不缩小,如实地反映社会经济运作情况,这是马克思主义统计认识论的基本原则,是贯穿于统计的核心,当然应是统计数据质量的基本涵义.     

基于匹配性的宏观经济统计数据质量的评估

在宏观经济统计数据中,GDP(国内生产总值)是一项重要的总量指标,故其数据质量也一直备受关注.文章以数据匹配性为立足点,选择了GDP这一宏观经济统计数据作为研究对象,分别从结构匹配性、空间匹配性、时间匹配性几个维度建立了统计数据质量评估模型,分别评估了各维度下的GDP数据质量,以求更加客观、真实地考察GDP统计数据质量,从而为宏观经济数据质量评估方法的进一步完善与改进提供一定的借鉴.     

结合景气指数的GDP组合预测模型研究

文章首先对中国季度GDP序列建立了AR-GMDH预测模型;然后加入对GDP相关性较大的景气指数,建立了ARCH模型;最后利用GMDH自组织建模方法提出新的组合预测模型.对比分析各模型预测结果表明:两种单一模型预测误差均在可接受范围之内,基于GMDH组合的GDP预测模型的拟合和预测效果比单一模型更优.     

统计数据质量监控和评估方法研究(下)

从探索建立上海市统计系统数据质量监控和评估体系方法角度出发,结合统计"四大工程"建设和一套表工作的实施,对统计数据质量监控的管理从统计设计、统计培训等五个阶段提出了工作要求和方法。目前统计数据质量评估的方法有历史数据对比分析、趋势性对比分析等。为进一步完善统计数据质量监控和评估体系,建议提高统计数据质量的监控和评估效果、建立健全下级统计机构的数据质量考核机制等。     

统计数据质量监控和评估方法研究(上)

统计数据质量是政府统计机构的"生命"。当前,统计数据质量存在数据失真、质量管理体系滞后且不全面、质量评估控制机制缺失等问题,原因是多方面的,主要是体制机制、方法制度、实践应用等五个方面。从探索建立上海市统计系统数据质量监控和评估体系方法的角度出发,结合统计"四大工程"建设和一套表工作的实施,提出了建立上海统计数据质量监控和评估体系的总体思路及工作规程。     

基于地区投入结构的GDP数据质量评估

文章从投入结构的视角,在各地区投入结构化数据失真程度低于全国投入的结构化数据、各地区投入汇总后的结构化数据和全国投入的结构数据具有较强的匹配性两个基本假设的基础上,选取劳动投入和资本投入两方面的数据,验证了基本假设,并且根据数据之间的关系选择VAR模型,对1978~2010年的中国GDP数据质量进行评估,继而进行指数化。得到基本结论:全国投入的结构化数据与地区投入汇总后的结构化数据有很强的匹配性;我国GDP数据质量整体上是较好的,个别年份不同程度地被低估或者高估;从细化成指数的结果来看,我国GDP的数据质量存在阶段性的特征。     

基于TQM的统计数据质量管理体系构建

根据全面质量管理（TQM）理论,从识别统计产品用户的数量质量要求出发,以用户对统计产品感到满意为目标,分析了我国统计数据质量存在的问题及原因,在此基础上构建了我国国家统计数据质量管理体系。     

基于回归神经网络的长期电力负荷组合预测模型研究

本文研究了用逐步回归、岭回归和偏最小二乘回归方法消除变量间的多重共线性,最后得到三个回归模型。单一预测方法的结果时好时坏,需要通过组合预测来提高预测精度。本文将神经网络技术与回归模型相结合,将预测值作为输入,实际用电量值作为输出,确定神经网络的拓扑结构,最后用训练好的BP神经网络预测江苏省全社会用电量。结果显示,组合预测的精度明显高于单个模型。     

中国GDP核算误差的特征事实与发生机制——兼论计量模型方法对于GDP数据质量的评估功效

基于GDP数据的历史修订与地区差异情况,依照反事实分析的推理逻辑,考察GDP核算误差的特征事实,探讨其中覆盖误差、操作误差以及估算误差的发生机制与影响模式。结果表明,在各年份现价GDP数据中,由覆盖误差和估算误差造成的综合效应是以系统性的低估为主,其中服务业部门是核算误差的主要来源所在;地区层级GDP核算过程中覆盖误差、估算误差与操作误差的综合效果以持续性的数据高估为主,其中的操作误差效应也会存在于国家层级的GDP核算中。由于缺乏对于GDP核算误差发生机制的必要考虑,计量模型方法在评估GDP数据质量中的功效非常有限。     

基于GMDH组合的中国GDP预测模型研究

文章对中国季度GDP分别建立了ARIMA和ARCH模型,并利用GMDH自组织建模方法提出了新的组合预测模型。模型预测结果及对比表明,基于GMDH组合的GDP预测模型的拟合和预测效果,在经济正常增长或出现较大波动时都具有较高的可靠性与准确性。文章还使用Bon-ferroni-Dunn检验方法进一步验证了组合模型的拟合能力要优于单一模型。     

基于稳健MM估计的统计数据质量评估方法

 政府统计数据质量是当前各界关注的热点问题,如何采用严谨的诊断方法,对我国统计数据进行科学的评估具有重要的现实意义。稳健回归方法可使求出的回归估计不受异常值的强烈影响,并且能更好的识别异常点。本文首次运用基于稳健MM估计的异常值诊断方法,在生产函数模型的框架下,分别使用两种不同的劳动投入数据,对改革以来我国GDP数据质量进行了评估。结果表明,基于稳健MM估计的异常值诊断方法可有效的解决传统方法容易出现的多个异常点的掩盖现象,改革以来我国的GDP数据是相对可靠的。     

完善统计数据质量评估制度提高国民经济核算数据质量

国民经济统计数据是党和政府实施宏观调控 ,进行科学决策的重要依据。统计数据的质量直接关系到党和政府决策的正确与否。近年来 ,国家进一步强调把提高统计数据质量摆到更加突出的战略地位 ,我省各级统计部门给予高度重视。为把统计数据搞准 ,各地做了大量的工作。但是 ,统计数据质量状况仍然比较严峻。统计数据受到地方行政干扰的情况时有发生 ,有些统计数据质量长期存在的一些问题 ,还没有得到根本解决。为了解决这些问题，根据国家的要求 ,省局将进一步完善统计数据质量评估制度 ,努力提高国民经济核算数据的质量。各市（县）统计局应密…