發(fā)布時(shí)間：2018-05-06 09:48

  本文選題：ARMA模型 + ARIMA模型��； 參考：《山東大學(xué)》2016年碩士論文

【摘要】：GDP是指一個(gè)國(guó)家或者地區(qū)在一定時(shí)期內(nèi)運(yùn)用生產(chǎn)要素所生產(chǎn)的全部產(chǎn)品和服務(wù)的市場(chǎng)價(jià)值。GDP不僅常常被視作一個(gè)國(guó)家或地區(qū)經(jīng)濟(jì)狀況的一個(gè)重要指標(biāo),而且也為國(guó)家和地區(qū)在部署戰(zhàn)略方針和制定宏觀經(jīng)濟(jì)政策上提供了一種參考和依據(jù)。與此同時(shí)我們可以通過(guò)數(shù)據(jù)來(lái)檢測(cè)制定的宏觀經(jīng)濟(jì)政策的科學(xué)性和有效性。除此之外,GDP的統(tǒng)計(jì)數(shù)據(jù)比較準(zhǔn)確、計(jì)算重復(fù)度小,所以統(tǒng)計(jì)起來(lái)相對(duì)容易。GDP和經(jīng)濟(jì)增長(zhǎng)率、通貨膨脹率及失業(yè)率這些主要的宏觀經(jīng)濟(jì)運(yùn)行指標(biāo)都有著非常密切的關(guān)系,是最基礎(chǔ)性的指標(biāo)。總之,GDP能夠展現(xiàn)出一個(gè)國(guó)家或地區(qū)經(jīng)濟(jì)狀況的完整圖像,幫助判斷經(jīng)濟(jì)發(fā)展的趨勢(shì)和走向。所以,在目前中國(guó)經(jīng)濟(jì)高速發(fā)展的背景下預(yù)測(cè)GDP是十分有必要的。本文第一章介紹了課題選擇的背景意義及時(shí)間序列的現(xiàn)狀。在第二章介紹了時(shí)間序列預(yù)測(cè)的相關(guān)理論。首先,重點(diǎn)介紹了一元時(shí)間序列中ARMA模型和ARIMA模型,然而在現(xiàn)實(shí)生活中預(yù)測(cè)往往是受很多因素影響的,所以接下來(lái)介紹了多元時(shí)間序列中的ARIMAX模型。在第三章和第四章我們進(jìn)行了實(shí)證分析。以山東省的1975年-2013年GDP數(shù)據(jù)和第三產(chǎn)業(yè)產(chǎn)值為研究對(duì)象,基于時(shí)間序列分析理論中的ARIMA模型和ARIMAX模型,利用SAS軟件,經(jīng)過(guò)數(shù)據(jù)整理、平穩(wěn)性檢驗(yàn)、模型的識(shí)別、參數(shù)的估計(jì)及模型的檢驗(yàn)等步驟后對(duì)模型進(jìn)行擬合。從最后的擬合結(jié)果可以看出,預(yù)測(cè)值和真實(shí)值非常吻合,真實(shí)值均落在預(yù)測(cè)值的95%置信區(qū)間內(nèi),且預(yù)測(cè)值與真實(shí)值的相對(duì)誤差在2%以內(nèi),充分說(shuō)明模型擬合效果好、預(yù)測(cè)精度高。通過(guò)該實(shí)證研究表明ARIMA模型和ARIMAX模型可以應(yīng)用在實(shí)際的工作中進(jìn)行短期的宏觀預(yù)測(cè)。我們選擇第三產(chǎn)業(yè)產(chǎn)值作為ARIMA模型的輸入變量,主要是想對(duì)山東省的產(chǎn)業(yè)結(jié)構(gòu)進(jìn)行分析,并在第五章對(duì)山東省的產(chǎn)業(yè)結(jié)構(gòu)優(yōu)化提出了幾點(diǎn)意見(jiàn)。本文的創(chuàng)新之處在于,引入第三產(chǎn)業(yè)產(chǎn)值作為GDP序列的輸入變量,并且運(yùn)用多元時(shí)間序列對(duì)數(shù)據(jù)進(jìn)行擬合,多元時(shí)間序列預(yù)測(cè)要比單純的一元時(shí)間序列預(yù)測(cè)要復(fù)雜一些。最后通過(guò)AIC和SBC準(zhǔn)則判斷出ARIMAX模型要比ARIMA模型要好一些,所以據(jù)此推斷,還可以加進(jìn)多個(gè)輸入變量,來(lái)預(yù)測(cè)GDP的值可能會(huì)更準(zhǔn)確一些。
[Abstract]:GDP refers to the market value of all products and services produced by the factors of production in a certain period of time. GDP is not only regarded as an important indicator of the economic situation of a country or region. It also provides a reference and basis for countries and regions to deploy strategic policies and formulate macroeconomic policies. At the same time, we can use data to test the science and effectiveness of macroeconomic policies. In addition, the statistical data of GDP are relatively accurate and the calculation repetition is small, so it is relatively easy to count GDP and the economic growth rate, inflation rate and unemployment rate, which are all closely related to the major macroeconomic operating indicators. Is the most basic indicator. In short, GDP can show a complete picture of the economic situation of a country or region, and help judge the trend and trend of economic development. Therefore, it is necessary to forecast GDP under the background of China's rapid economic development. The first chapter introduces the background significance of topic selection and the present situation of time series. In the second chapter, the theory of time series prediction is introduced. Firstly, the ARMA model and the ARIMA model in univariate time series are introduced. However, in real life, the prediction is often influenced by many factors, so the ARIMAX model in multivariate time series is introduced. In the third and fourth chapters, we carry out empirical analysis. Taking the GDP data of Shandong Province from 1975 to 2013 and the output value of the tertiary industry as the research object, based on the ARIMA model and ARIMAX model in the theory of time series analysis, using SAS software, through data collation, stability test, model identification, Parameter estimation and model test are used to fit the model. From the final fitting results, it can be seen that the predicted value is in good agreement with the real value, the true value falls within the 95% confidence interval of the predicted value, and the relative error between the predicted value and the real value is less than 2%, which fully shows that the model fits well. The prediction accuracy is high. The empirical study shows that ARIMA model and ARIMAX model can be applied to short-term macro prediction in practical work. We choose the output value of the tertiary industry as the input variable of the ARIMA model. We mainly want to analyze the industrial structure of Shandong Province and put forward some suggestions on the optimization of the industrial structure of Shandong Province in the fifth chapter. The innovation of this paper is that the tertiary industry output value is introduced as the input variable of GDP series, and the data are fitted by multivariate time series. The prediction of multivariate time series is more complicated than that of simple monadic time series prediction. Finally, it is found that the ARIMAX model is better than the ARIMA model through the AIC and SBC criteria, so we can infer that it is possible to add more input variables to predict the value of GDP more accurately.
【學(xué)位授予單位】：山東大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2016
【分類號(hào)】：F224;F127

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 卞曉靈;;ARIMA模型在設(shè)備故障預(yù)測(cè)中的應(yīng)用[J];科技信息(學(xué)術(shù)研究);2008年08期

2 付宇涵;;基于ARIMA模型的我國(guó)財(cái)產(chǎn)險(xiǎn)保費(fèi)收入的預(yù)測(cè)研究[J];統(tǒng)計(jì)教育;2010年10期

3 王永宏;饒繼廣;;基于ARIMA模型自動(dòng)預(yù)測(cè)我國(guó)保險(xiǎn)行業(yè)保費(fèi)收入的應(yīng)用和實(shí)踐[J];軟件產(chǎn)業(yè)與工程;2010年06期

4 陳雪嬌;;我國(guó)消費(fèi)者信心指數(shù)趨勢(shì)分析及預(yù)測(cè)——基于ARIMA模型[J];東方企業(yè)文化;2011年10期

5 翟明娟;;基于ARIMA模型的山西省人均實(shí)際GDP預(yù)測(cè)[J];長(zhǎng)治學(xué)院學(xué)報(bào);2012年05期

6 趙建鋒;李冠軍;;ARIMA模型在我國(guó)紡織品服裝出口額預(yù)測(cè)中的應(yīng)用[J];企業(yè)導(dǎo)報(bào);2013年23期

7 石美娟;ARIMA模型在上海市全社會(huì)固定資產(chǎn)投資預(yù)測(cè)中的應(yīng)用[J];統(tǒng)計(jì)與信息論壇;2003年06期

8 李佳萌,曾濤,王偉;ARIMA模型在天津港交通量預(yù)測(cè)中的應(yīng)用[J];數(shù)理醫(yī)藥學(xué)雜志;2004年05期

9 梁來(lái)存;皮友靜;;我國(guó)保費(fèi)收入的ARIMA模型與預(yù)測(cè)[J];統(tǒng)計(jì)與決策;2006年07期

10 王新華;;ARIMA模型在武漢市全社會(huì)固定資產(chǎn)投資預(yù)測(cè)中的應(yīng)用[J];統(tǒng)計(jì)與決策;2006年08期

相關(guān)會(huì)議論文 前10條

1 ;A hybrid ARIMA-ANN model and its Learning Algorithm on Short-term Load Forecasting[A];第二十三屆中國(guó)控制會(huì)議論文集（下冊(cè)）[C];2004年

2 王建鋒;高歌;陳立凌;李紅美;張明芝;王艾麗;;ARIMA模型及其在江蘇省衛(wèi)技人員數(shù)預(yù)測(cè)中的應(yīng)用[A];中國(guó)現(xiàn)場(chǎng)統(tǒng)計(jì)研究會(huì)第12屆學(xué)術(shù)年會(huì)論文集[C];2005年

3 李君華;王志堅(jiān);張立杰;陳雪;;基于小波理論及ARIMA模型的短期棉花價(jià)格預(yù)測(cè)[A];中國(guó)棉花學(xué)會(huì)2012年年會(huì)暨第八次代表大會(huì)論文匯編[C];2012年

4 陳興榮;;ARIMA模型和GM(1,1)在我國(guó)白銀消費(fèi)需求預(yù)測(cè)應(yīng)用中的比較研究[A];第25屆全國(guó)灰色系統(tǒng)會(huì)議論文集[C];2014年

5 ;Double Trends Time Series Forecasting Using a Combined ARIMA and GMDH Model[A];Proceedings of 2010 Chinese Control and Decision Conference[C];2010年

6 劉軍;柴洪洲;陳軻;劉先冬;;ARIMA模型預(yù)報(bào)電離層VTEC研究[A];第一屆中國(guó)衛(wèi)星導(dǎo)航學(xué)術(shù)年會(huì)論文集（下）[C];2010年

7 ;Economic Design of Integrating SPC and APC with Quality Constraints[A];Proceedings of 2010 Chinese Control and Decision Conference[C];2010年

8 任家福;張f ;周宗放;;基于ARIMA和BP神經(jīng)網(wǎng)絡(luò)的組合預(yù)測(cè)模型及應(yīng)用研究[A];第三屆（2008）中國(guó)管理學(xué)年會(huì)——技術(shù)與創(chuàng)新管理分會(huì)場(chǎng)論文集[C];2008年

9 ;Modeling Chronobiologic Data: An Introduction to Time Series Analysis[A];2004全國(guó)時(shí)間生物醫(yī)學(xué)學(xué)術(shù)會(huì)議論文集[C];2004年

10 ;Traffic Flow Forecasting Based on Fuzzy-Neural[A];第二十六屆中國(guó)控制會(huì)議論文集[C];2007年

相關(guān)重要報(bào)紙文章 前1條

1 ;基于數(shù)量化方法對(duì)未來(lái)經(jīng)濟(jì)增長(zhǎng)趨勢(shì)的預(yù)測(cè)[N];第一財(cái)經(jīng)日?qǐng)?bào);2009年

相關(guān)碩士學(xué)位論文 前10條

1 梁佳琦;ARIMA模型同MAXENT模型在自然保護(hù)區(qū)內(nèi)口蹄疫疫情風(fēng)險(xiǎn)預(yù)警中的應(yīng)用研究[D];東北林業(yè)大學(xué);2015年

2 張海東;基于論壇的熱點(diǎn)話題識(shí)別與趨勢(shì)預(yù)測(cè)研究[D];上海師范大學(xué);2015年

3 王煒翔;南京市2006～2013年流感流行特征及ARIMA模型的應(yīng)用[D];東南大學(xué);2015年

4 趙佳寶;ARIMA結(jié)合BP神經(jīng)網(wǎng)絡(luò)對(duì)核心交易量預(yù)測(cè)的研究[D];東華大學(xué);2016年

5 高金標(biāo);基于Hadoop的全國(guó)零售戶數(shù)據(jù)處理與市場(chǎng)感知[D];浙江理工大學(xué);2016年

6 李思洋;電力光纖線路狀態(tài)預(yù)測(cè)方法研究[D];東北電力大學(xué);2016年

7 苗亞男;基于卡爾曼濾波的ARIMA—GM霧霾預(yù)測(cè)及擴(kuò)散消失模型研究[D];吉林大學(xué);2016年

8 劉源;基于GM-ARIMA模型的成都市生活垃圾產(chǎn)量預(yù)測(cè)研究[D];西南交通大學(xué);2016年

9 陳聰聰;基于ARIMA模型和ARIMAX模型的山東省GDP的預(yù)測(cè)與分析[D];山東大學(xué);2016年

10 鐘令樞;基于ARIMA-LSTM的架空線狀態(tài)數(shù)據(jù)挖掘[D];華南理工大學(xué);2016年

，

本文編號(hào)：1851838