2005年中国税收收入预测模型比较

为探索一种较为有效的工具来提高税收收入预测精度，利用1985-2004年的样本数据，建立了五个模型来预测中国2005年的税收收入。结果表明：ARMA（1，1）模型中，以GDP为外生变量的自回归模型、以政策因素为虚拟外生变量的自回归模型以及对数线性移动平均模型都是预测税收收入的有效模型，但以GDP为外生变量的自回归模型在预测2005年税收收入时，预测值与实际值的预测偏差仅有1．23％，此模型在预测税收收入时预测精度最高，是预测税收收入的一种较为有效的工具。     

互联网企业广告收入预测研究——基于低频数据的神经网络和时间序列组合模型

神经网络模型对大样本时间序列的拟合效果优于传统时间序列模型,但对于年度、月度、日度等低频时间序列的预测则难以发挥其优势。鉴于此,本文应用传统时间序列模型和神经网络模型,建立Holtwinters-BP组合模型,利用Holtwinters模型分别拟合各解释变量序列,利用BP模型拟合解释变量和自变量的非线性关系,基于某社交新闻类APP的日广告收入数据进行互联网企业广告收入预测研究。通过与循环神经网络(RNN)模型、长短期记忆神经网络(LSTM)模型等预测结果的对比发现:Holtwinters-BP组合模型的预测精度和稳定性更高;证明多维变量对于广告收入的显著影响,多变量模型的预测准确性高于单变量模型;构建的Holtwinters-BP组合模型对于低频数据预测有较好的有效性和适用性。     

中国人均GDP(1952-2002)时间序列分析

时间序列是按照时间顺序取得的一系列数据.大多数的经济时间序列存在惯性,或者说是迟缓性,通过对这种惯性的分析可以由时间序列的当前值和过去值对未来值进行预测.分析时间序列的方法有很多,本文主要讨论用伯克斯-詹金斯(Box-Jenkins)模型对中国人均国内生产总值时间序列进行建模和短期预测.     

中国城市化水平时间序列模型分析:1949～2007

文章采用1949～2007年的中国年度数据,建立了一个中国城市化水平的时间序列模型.模型显示,中国城市化水平的提高主要受到模型滞后一期和滞后五期的随机误差的影响,具体为,滞后一期和滞后五期的随机误差分别增加1个单位,则城市化水平的提高就会相应增加0.6706个单位和0.3236个单位.通过该模型对2003～2007年中国城镇人口比重进行预测.得出预测结果的所有预测误差的绝对值都小于1%.而且,用该模型预测未来3年的中国城市化水平,从对2010年的预测结果46.59%来看,预测结果与国家统计局提出的在2010年前后中国城镇化水平将接近45%的预期目标基本一致.     

基于傅立叶级数和模糊马尔可夫链的小样本时间序列建模方法

为克服传统时间序列预测方法在处理小样本数据方面的不足,文章引入傅立叶级数和模糊马尔可夫链方法,并结合灰色GM(1,1)模型对小样本时间序列数据进行动态建模。实例结果表明,预测方法与传统的时间序列预测方法相比,具有较高的预测精度,说明该方法对于小样本时间序列的预测是有效的。     

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。     

税收收入模型预测精度的比较

文章建立了四个预测税收收入的有效模型,利用1985～2004年的样本数据进行实证分析。结果表明:半对数模型预测税收收入偏差较大;当把经济因素作为外生变量引入自回归模型时,模型预测精度也较差;如果把政策因素这一外生虚拟变量加入自回归模型,模型预测精度明显提高;而采用主成分分析法消除了多个经济因素之间的复共线性以后,建立的对数线性回归模型预测精度较高,适合用来预测税收收入。     

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.     

中国国防费时间序列预测模型的建立

时间序列模型(ARMA)是一种精度较高的短期预测模型.本文综合运用B-J时间序列建模方法,对中国国防费时间序列平稳性进行了判别;利用单位根方法检验了时间序列的单整阶数;利用自相关函数和偏自相关函数判别了时间序列模型的自回归阶数(AR(p))和移动平均阶数(MA(q));最后利用Eviews统计软件建立了合适的中国国防费时间序列模型,并进行了分析和预测.     

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.     

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。     

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.     

新型模糊时间序列模型与应用

为了提高模糊时间序列的预测精度,文章利用小波分析多尺度分解方法,选择适当的小波函数,把一维数据分解为低频逼近部分和高频细节部分,在低频部分和高频部分根据各自数据特征利用模糊C一均值聚类算法分别建立模糊时间序列模型并预测,然后把每个部分的预测值根据小波重构得到最终预测结果.通过对国家财政收入实例验证对比发现,该模型在预测精度方面有较大提高.     

基于时间序列的GM(1,1)预测模型及应用

GM(1,1)是较常用的时间序列预测模型.文章在借鉴运用时间序列和GM(1.1)预测模型的理论基础上,实证研究了京津冀地区国际旅游人次数的发展趋势.笔者根据2000-2008年京津冀国际旅游人次数的原始时间序列数据,通过GM(1,1)模型对各因素进行关联度分析,并对原始数据进行生成处理,形成有较强规律性的新数据序列,然后建立相应的微分方程模型,预测了2009-2013年京津冀国际旅游人次数的未来发展趋势,也再次验证了GM(1,1)预测模型是建模精度等级为二级的合格模型.     

基于ARIMA模型的城市网格化管理预测与仿真

文章对城市网格化管理问题进行了研究,基于网格化问题数据的时间序列特征的归总,利用了标准化时间序列模型ARMA族进行分析,并以AR,MA模型为比较基础,进而对选定的ARIMA模型预测结果进行精度比较测试.研究发现,时间序列模型对城市网格化管理问题的预测精度较高,而网格化管理本身对于城市建设与管理和城市决策的资源整合具有相当重要的意义.     

中国保费收入的预测研究

文章基于1999年1月~2011年8月中国保费收入月度数据,采用最为热门的季节调整方法X12-ARIMA加法模型,对其进行季节调整,得到了经调整后的时间序列和季节调整因子,在假设季节调整因子短期内不发生变化的条件下,采用三种模型估计方法建立经调整后的时间序列模型,从而建立了中国保费收入月度数据短期预测模型。     

中国铁矿石消费量与对外依存度预测

文章基于ARIMA模型对非平稳时间序列良好的短期预测特性,采用该方法对“十三五”期间中国铁矿石消费量与对外依存度进行了模型构建和预测分析,所建模型的拟合效果和预测精度较佳.预测结果表明,“十三五”期间中国铁矿石消费量将趋向于缓慢上升至零增长率的顶点,对外依存度则将在经过高位平台后拐入下降趋势.     

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。     

线性回归模型与传递函数模型在时间序列应用上的比较研究

如果一个因变量是由一个或多个自变量来解释的,那么对这些数据可以建立回归模型.但如果因变量和自变量同时又是时间序列,则也可以建立传递函数模型(transferfunction models).与普通的回归模型相比,传递函数模型说明因变量与自变量以及扰动项之间关系时,有着更为丰富的结构.在多变量时间序列模型方面,有关线性回归模型与传递函数序列在时间序列方面应用效果的比较很少,因此,本文拟进行这方面的研究,为多变量时间序列建立模型提供参考.     

基于混合时间序列模型的粮食产量预测

粮食产量的预测是保障粮食安全的重要组成部分.文章结合河南省许昌市粮食产量的历史数据,首先建立趋势外推预测模型,并对模型进行相应的分析;然后运用趋势外推与ARIMA模型(求和自回归移动平均模型)结合起来的混合时间序列模型对趋势值和真实值之间的离差序列即残差进行分析,得到混合时间序列模型的预测结果;最后通过比较得出的混合时间序列模型预测的精度较高,可作为粮食总产量预测的有效工具之一.