ARIMA模型在上海市全社会固定资产投资预测中的应用

文章采用自回归求积移动平均(ARIMA)法,对《上海市统计年鉴》(2002年)提供的固定资产投资额资料进行了分析。其结果显示:ARIMA(1,1,10)模型能提供较准确的预测效果,也可用于未来的预测,并为上海市全社会固定资产投资提供了可靠依据。     

ARIMA模型在移动通信用户数预测中的应用

本文采用自回归求和移动平均模型(ARIMA(p,d,q)),对贵阳2002年7月到2005年6月的36个月忙时用户数据进行分析,结果显示,ARIMA(0,1,1)模型提供了较准确的预测结果,可用于对未来月份忙时的用户数预测。就此,可为交换设备的建设提供可靠的参考依据。     

ARIMA模型在上海市全社会固定资产投资预测中的应用

本文采用自回归求积移动平均(ARIMA)法,对《上海市统计年鉴2002》提供的固定资产投资额资料进行了分析。结果显示,ARIMA(1,1,10)模型提供较准确的预测效果,可用于未来的预测,并为上海市全社会固定资产投资提供可靠依据。     

ARIMA模型在广东省GDP预测中的应用

文章对广东省1978～2008年国内生产总值进行了分析.运用Box-Jenkins方法建立了ARIMA模型.通过对数据的平稳性检验、模型参数识别与检验、模型检验等综合分析,确立了ARIMA(1,1,O)模型.     

基于ARIMA模型的短期股票价格预测

文章选取“华泰证券”250期的股票收盘价作为时间序列实证分析数据,通过建立ARIMA模型对创业板市场股票价格变动的规律和趋势进行了预测.实证结果表明,该模型短期动态、静态预测效果较好,可以为投资者和企业在进行相关决策时提供有益参考.     

ARIMA模型在基本建设投资预测中的应用

基本建设投资对经济发展的影响有其滞后的特征。本文利用ARIMA模型对其滞后影响进行模拟 ,为正确把握基本建设投资对经济发展的影响作用提供实证基础     

基于ARIMA模型的中国煤炭消费量增长预测

我国煤炭消费量序列是一组依赖于时间变化的随机变量,可用ARIMA模型予以近似描述。文章运用1965～2006年我国煤炭消费数据建立了ARIMA(2,1,4)模型,经诊断检验与实证检验发现,预测精度较高,可用于我国煤炭消费量预测。预测结果表明:2007～2010年我国煤炭消费量将不断增长,但增速会有所回落。科学的煤炭消费量预测结果可为国家合理规划煤炭生产和进出口提供重要依据。     

ARIMA模型在我国教育投资预测中的应用

试图突破传统的研究教育投资的角度,利用国家财政性教育经费及其他经费占总教育经费的比重序列,通过构建ARIMA模型来拟和中国教育投资趋势,并得到了国家财政性教育投资持续增长的结论。     

ARIMA模型在武汉市全社会固定资产投资预测中的应用

1ARIMA模型的建模思想A RIM A模型(p,d,q)又称为自回归求积移动平均模型。其中AR指自回归,p为模型的自回归项数;M A为移动平均,q为模型的移动平均项数;I指积分,d为时间序列成为平稳之间必须取其差分的次数。其一般表达式为:yt=α1yt-1 α2yt-2 … αpyt-p μt-β1μt-1-β2μt-     

ARIMA模型在空气污染指数预测中的应用

文章选取广州、南京、西安、北京和哈尔滨五个城市的空气污染指数(API)日资料时间序列,应用最大概似估计(Maximum Likelihood Estimation),进行了ARIMA(p,d,q)模型的拟合及预测.结果表明,无论是在模型的拟合方面,还是在样本外预测方面,都得到了较好的效果.但值得注意的是:每个城市API资料所用APdMA模型的阶数,即P、d、q的值并不完全一样,表明在分析时不能简单套用固定的模型,而是应该根据相关理论的指导,对具体的资料进行详尽的分析.     

基于ARIMA模型的消费者价格指数预测

科学准确地预测CPI将为宏观经济政策的制定提供合理的数据支持.文章根据我国2010年1月至2015年6月CPI月度数据建立ARIMA模型,对2015年下半年我国的CPI数据进行预测.实证结果表明:ARIMA(12,1,2)模型的预测效果良好,可以作为我国CPI走势判断的有效依据.     

基于ARCH—M模型上证基金指数收益性与波动性的实证分析

以日收盘价指数的对数收益率为基础,采用ARCH—M类模型（GARCH—M,TGARCH—M和EGARCH—M）对上证基金指数的波动性与收益性进行了实证研究。结果表明基金波动性存在集聚性、波动率与收益率正相关．利空与利好消息对基金波动冲击存在不显著的杠杆效应。     

基于ARIMA模型对我国能源需求的预测

本文利用时间序列的建模方法,对我国1987-2006年的能源消费总量数据进行了实证分析,构建了ARIMA模型。经检验该模型能够很好的拟合全社会对于能源的需求趋势。在此基础上作了短期预测,最后给出了结论及建议。     

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     

基于ARIMA模型的中国CPI走势预测分析

消费者物价指数(CPI)是以与居民生活有关的产品及劳务价格统计出来的物价变动指标。文章选择中国2001年1月至2011年10月最新的月度CPI数据作为研究对象,构建了自回归求积移动平均ARIMA(12,1,20)模型,在模型拟合效果优良的基础上,成功对未来CPI走势进行了预测,为宏观层面有效实施物价调控政策提供了数量上的依据。     

SETAR模型在GDP预测中的应用

本文分别使用了非线性自我激励门限模型SETAR和线性ARIMA模型对我国1952-2000年的GDP进行了研究,并且还运用一步预测和多步预测两种方法对未来5年的GDP进行了预测,最后运用RAPE、RMSE方法比较两种方法的预测效果,得出结论。     

基于ARIMA模型对湖北省能源消费的预测

能源影响着我国社会经济的稳定持续发展,对未来能源消耗的准确预测具有重要意义。文章以我国湖北省为例,利用1980～2005年的能源消费总量数据为基础,运用ARIMA模型进行能源消费的预测,达到了最小方差意义下的最优预测的效果。     

基于ARIMA模型的北京居民消费价格指数预测

自回归单整移动平均模型(ARIMA)是目前较为广泛应用的时间序列建模方法之一,文章以北京市1998年1月~2013年5月的CPI月度数据为样本,采用Eviews6.0软件,建立了ARIMA(12,18)模型,模型对样本内数据拟合较好,预测误差较小,用该模型对北京市2013年6月~2013年12月的CPI指数进行了预测。     

基于最优ARIMA模型的我国GDP增长预测

准确预测GDP对政府进行有效宏观调控意义重大,而ARIMA模型是预测GDP的有效工具.文章以1952-2011年不变价格GDP为研究样本,首先建立36组ARIMA模型,进而运用多重筛选准则,找到最优滞后阶数p和q,最后确定了最优ARIMA(6,1,3)模型.该模型通过了多项假设检验,对2009-2011年的GDP预测精度高.笔者还利用模型对未来几年的GDP进行了预测.     

中国能源消费的ARIMA模型预测分析

文章利用Box-Jenkins法的ARIMA模型,对1953～2007年中国能源消费总值数据序列进行分析,建立了1953～2005中国能源消费的自回归移动平均模型ARIMA(3,1,3).检验结果表明,ARIMA(3,1,3)模型对原始数据序列有着较好的似合效果,模型的预测效果良好,可用于短期内中国能源消费量的预测.根据建立的模型预测结果,中国能源消费量仍将保持较高的增长.