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-     

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.     

非平稳时间序列的EMD组合预测及其应用

非平稳时间序列预测问题一直都是一个难题,文章运用EMD技术将非平稳时间序列分解为一系列的imf和一个残余量。由聚类分析得到若干个cimf,然后通过对每个cimf以及残余量建立神经网络模型进行预测,达到对原时间序列的组合预测。文章的实证结果表明EMD组合预测可以有效解决非平稳的问题,且预测精度达到良好效果。     

基于模糊Yule-Walker方程的FAR(p)预测模型

文章把基于Yule-Walker方程的AR(p)模型参数估计及定阶方法引入模糊时间序列分析中,提出了基于模糊Yule-Walker方程的FAR(p)模型参数估计及定阶方法;建立了一个全国发电量的模糊时间序列模型,并进行了应用尝试.     

基于秩方法的TAM估计

一、问题的提出作为统计学一个重要分支学科 ,现代时间序列分析的发展十分惊人 ,尤其是近二十年来 ,人们已不再满足于平稳、线性的时间序列分析 ,如AR、MA、ARMA、ARIMA等 ,越来越多的人将视野投向非平稳时间序列、谱分析、时间序列的线性系统、非线性时间序列及非线性系统、空间序列、不等间隔抽样等问题的研究。TAM模型属于非线性时间序列分析的范围 ,是我国香港地区的学者汤家豪 (参见 [12 ,13])先生于 1978年提出来的 ,由于该模型具有一些重要的性质特征 ,如比 :设置“门坎”(门限 ) ,然后通过门限的控制作用 ,保障模型自身的稳…     

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     

FAR(p)与指数平滑的组合预测算法

一、引言 梅炽、姚俊峰等在<粗铜冶炼中铜铳品位的动态预测模式>一文中(见中南工业大学学报,2000,31(1):34-36)和邵义元在一文中(见鄂州大学学报,2002,9(4):38-39)提出了一种对铜统品位进行预测的方法,即以采集的现场数据为基础,采用系统辨识动态地建立了AR(p)模型与三次指数平滑模型.并将两种模型按最小二乘原理,以组合预测误差平方和为目标函数,通过使误差平方和极小化来确定两种预测方法的最优加权系数,建立一种新的组合模型,其预测误差最小.结果表明,在当时数据下,AR(p)与指数平滑组合模型比AR(p)与指数平滑模型单独使用时精确度都要高.本文在此基础上,对AR(p)与指数平滑组合预测模型做了改进,将AR(p)模型中的时间序列模糊化,便成为模糊时间序列,进而建立模糊时间序列AR(p)模型,即FAR(p)模型.从而提出一种新的组合预测模型--FAR(p)与指数平滑组合预测模型.最后将两种组合模型用于预测油田产油量,结果表明,FAR(p)与指数平滑组合预测模型比AR(p)与指数平滑组合预测模型有更高的预测精度.     

人力资本、资本形成对中国经济增长作用的协整分析

文章根据1952～2006年的样本数据,利用单位根检验、协整检验和误差修正模型(ECM),判定了我国国内生产总值(GDP)和资本形成总额、就业人口总数的时间序列均是带有一阶差分的趋势平稳过程,证实了我国经济增长与资本形成、就业人口之间存在着同期协整关系;并利用误差修正模型以及动态相关系数研究了中国经济增长和资本形成、从业人员间的动态相关性。最后,文章在此分析基础上得出了主要结论,并提出相应的政策建议。     

非等间距GM(1,1)模型时间响应函数的优化

文章以序列间距为乘子,建立了非等间距GM(1,1)模型;根据一次累加序列的观测值与模拟值的残差平方和最小的条件,构建了非等间距GM(1,1)模型的时间响应函数的优化模型.实例计算表明,该模型具有较高的模拟和预测精度.     

中国国家财政支农支出的时间序列分析

一、模型与数据的选择时间序列模型可以分为平稳的时间序列模型和非平稳时间序列。一个平稳的时间序列要求其数字特征如均值、方差和协方差等不随时间的变化而变化。而且在各个时间点上的时间序列服从一定的概率分布。相反,非平稳时间序列的数字特征随时间的变化而变化,各个点上的随机规律也是变化的,可见非平稳时间序列较平稳时间序列更没有规律,用于预测更困难,而在现实中遇到的经济和金融数据大多数是非平稳的时间     

中国宏观经济变量的结构突变单位根检验

文章首先比较系统地总结了有关结构突变单位根检验的理论、方法和模型。在考虑经济中结构突变的基础上对中国宏观经济总量的时间序列是具有单位根的非平稳还是趋势平稳进行了研究,为提高检验功效,应针对数据生成过程的特点联合多种检验方法进行检验。     

时间序列分析的AR模型在全社会消费品零售总额预测中的应用

全社会消费品零售总额是一个与宏观经济运行状况有重要关系的经济变量,本文对全社会消费品零售总额作时间序列分析,建立AR模型进行趋势预测.我们以1987年至1995年的统计数据,作为时间序列分析的样本观测值,数据单位为人民币亿元,样本长度n=18.首先,假定全社会消费品零售总额x_t是一个平稳时间序列,为选择适当的描述x_t增长与变化规律的数字模型,我们对样本观测值进行数据分析,由公式     

上证指数与深成指间协整关系的非参数检验

一、引言 在时间序列中常会发现两个变量存在一种长期稳定关系,C.J.Granger把这种长期稳定关系称为"协整关系".传统的协整分析方法是通过对序列差分将其转化为平稳序列,得出其中的线性均衡关系,这种协整关系可称为线性协整.线性协整的建模理论是从实际的数据生成过程出发,在非平稳序列中寻找可能存在的长期线性均衡关系,以建立序列的结构模型,从而反映序列的运行机制.     

上海市经济发展的典型时序模型分析

文章以1978～2007年上海市人均GDP的统计数据为样本,处理原始数据,对序列进行差分平稳化处理,消除虚假回归,进行单位根检验,并借助统计工具,利用序列自相关、偏自相关性质,确认序列适合的模型,从而建立了经典的ARJMA时间序列方程,最终对未来数据进行了经济预测,为管理决策给予一定数量参考价值.     

时间序列的单位根检验与伪检验

文章证明了平稳性的三个结论,即平稳序列的子序列仍是平稳的;非平稳序列子序列单整阶数不会超过原序列;一个序列乘以一个大于0的常数,平稳性不会改变。并利用得到的结论分析GDP序列,指出一些文献中的检验属于伪检验。对GDP数据序列（1952～2008）的平稳性检验得出结论：实际GDP取自然对数后是I（1）序列;实际人均GDPI（2）序列;实际人均GDP对数序列是I（1）序列;实际GDP增长率是I（0）序列。     

动态广义最小二乘法在面板协整中的应用研究

在进行非平稳面板数据的协整分析时,使用动态最小二乘法（DOLS）可以有效消除内生性问题,从而得到具有渐进正态分布的统计量。但在小样本条件下,由于可使用解释变量差分项的阶数有限,导致模型中均衡误差项的序列相关,使得DOLS统计量出现严重的检验水平畸变。为此,本文将单一时间序列的动态广义最小二乘法（DGLS）应用于非平稳的同质面板数据模型。在序贯极限分布的条件下,DGLS统计量仍具有正态的条件极限分布。而仿真实验表明,对于非平稳的同质面板数据模型,即使在均衡误差项存在高序列相关的条件下,DGLS统计量仍具有较好的小样本性质。     

基于灰色系统的组合预测模型的建模方法

本文基于灰色系统理论,提出一种非平稳时间序列预测模型的建模方法。该方法首先利用灰色系统模型提取时间序列的趋势项;然后利用样本周期图拟合周期项;最后对去掉趋势项和周期项的序列建立模型,从而完成非平稳时间序列的总体建模。     

AR(1)模型中参数估计的偏差分析

文章分析了AR(1)模型中模型参数(序列方差、模型回归系数、序列的自协方差函数、自相关系数以及误差方差)估计(矩估计和最小二乘估计)的无偏性.对于非独立随机向量二次型的商的估计(如自相关系数估计等),给出了其偏差表达式并提供了相应的数值解法.通过数据模拟分析考察了这些参数估计的偏度情况.     

郑州期货市场量价关系的实证分析

一、研究方法和模型选择(一)交易量处理本文采集了2004年6月1日至2006年7月28日棉花期货合约每天的收盘价和交易量(数据来源:郑州商品交易所网站)。由于每个期货合约都将在一定时间到期,因此如何产生一个连续的期货价格序列是个难题。本文选取离交割期最近月份的期货合约作为代表,在进入交割月后选取下一个最靠近交割月份的合约,得到连续期货价格序列和交易量序列。原始的交易量数据存在着非平稳性和时间序列相关性问题,因此需要用下面的自回归模型ARMA(p,q)对交易量数据进行处理,以得到一个平稳的、非相关的交易量序列作为信息指标的代理:     

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.