时间序列论文
应用时间序列论文

应用时间序列在A市GDP预测中的应用学院:商学院专业:金融学班别: 金融1103学生姓名: 王文倩指导教师: 于国才摘要时间序列分析(Time series analysis)是一种动态数据处理的统计方法。
该方法基于随机过程理论和数理统计学方法,研究随机数据序列所遵从的统计规律,以用于解决实际问题。
GDP的增长是指一个国家或一个地区生产商品和劳务能力的增长。
GDP增长不仅代表了人均国民收入增加, 也包括社会制度结构的变化。
目前对投资与经济增长的关系研究一般认为, 投资与GDP增长之间存在着正相关关系, 即投资的增长会促进GDP增长。
改革开放以来, 投资在GDP增长中的作用越来越明显, 所以对GDP增长序列进行时间序列分析。
关键词:时间序列;GDP;预测分析一、时间序列相关概念(一)时间序列一个随着变量t变化的量y(t),当t1 < t2 <…< t N<…时的观测值y(t1), y(t2),…y(t N), …构成离散有序的集合,称为一个时间序列,记为{y(t)}。
如果变量t表示时间,那么一组根据时间顺序排列的观测数据就是一个时间序列。
时间序列分析就是根据这种特殊的数据形成和发展的一套统计分析方法的完整体系。
一般在研究时间序列问题时会涉及下面的记号和概念:●指标集T指标集T够理解为时间t的取值范围。
对于一般的随机过程,它是一个连续的变化范围,例如取(-∞ , +∞),此时前面随机过程可以记为{y(t),t∈(-∞ , +∞)}.●采样间隔△t采样间隔△t表示为时间序列中相邻两个数据的时间间隔。
在实际研究中,整个序列间一般都采取一致的时间间隔,这使得分析结果更有意义。
●平稳随机过程平稳随机过程定义如下:如果对∀ t1 , t2,…,t n,h∈T^和任意整数n,都能使(y t1,y t2,…,y tn)与(y t1+h,y t2+h,…,y tn+h)同分布,那么概率空间(W,F,P)上的随机过程{y(t),t∈T}称为(严)平稳过程。
时间序列ARIMA期末论文完整版

时间序列ARIMA期末论文完整版时间序列A R I M A期末论文标准化管理处编码[BBX968T-XBB8968-NNJ668-MM9N]ARIMA模型在总人口预测中的应用【摘要】人口发展与社会经济的发展是密不可分的,研究我国总人口的发展,对我国人口数进行分析和预测,有利于及时控制人口的增长调节人口平衡,利于政府及时了解发展趋势并做出反应对策使我国人口发展步入健康的轨道。
本文利用时间序列建模原理和思路,并结合软件对1962年——2014年我国年底总人口数据做分析和预测。
找到对原始数据有着较好的拟合度和较高的预测精度的模型。
利用此模型可对我国年底总人口进行合理的预测。
【关键词】ARIMA建模总人口人口预测目录一、引言 (3)研究背景 (3)研究现状 (4)二、模型建立 (5)模型识别 (5)模型的参数估计 (8)模型的诊断 (10)2.模型的预测 (12)三、模型的优缺点及推广 (13)模型的优缺点 (13)模型的推广 (13)结束语 (14)【参考文献】 (15)附录 (16)一、引言研究背景我国是世界上人口最多的国家,自1980年开始,年末中国大陆总人口就已经超过了10亿,并一直保持约占世界总人口的五分之一,亚洲人口的三分之一。
中国人口的发展同中国社会的发展一样经过了漫长而曲折的道路。
在世纪的进程中,目前我国进入了一个全新的时代,要想在21世纪——这个充满竞争与挑战的时代中变的富强、屹立于世界民族之林,实现我们的中国梦,这全取决于人。
能否顺利解决人口现状等问题,是我国乃自世界共同面临的问题,由于地球的资源是有限的,它不可能无限制的容纳人口,当人口过多,会由于经济跟不上,工作岗位欠缺,医疗等水平不足,从而导致整个社会处于一种动荡之中;然而如果人口过少,又会由于人员不足,导致各方面人力资源不足,无法正常完成各项必须社会活动,这也会极大地限制一个国家的发展,因此,对人口的研究是具有相当的意义的。
我国由于幅员广阔,民族众多,各民族发展水平不一,同时作为世界第一人口大国,我国的耕地面积却相对不足,因此我国每年都需要从国外大量进口粮食,由于过分依赖于进口这对我国的发展影响巨大,为此甚至有国外反华势力叫嚣只要断绝给中国供粮,三五年之内中国必定大乱。
时间序列分析论文

关于居民消费价格指数的时间序列分析摘要本文以我国1997年4月至2014年4月间每月的烟酒及用品类居民消费价格指数为原始数据,利用EVIEWS软件判断该序列为平稳序列且为非白噪声序列,通过对数据一系列的处理,建立AR(1)模型拟合时间序列,由于时间序列之间的相关关系和历史数据对未来的发展有一定的影响,对我国的烟酒及用品类居民消费价格指数进行了短期预测,阐述该价格指数所表现的变化规律。
关键字:烟酒及用品类居民消费价格指数,时间序列,AR模型,预测引言一、理论准备时间序列分析是按照时间顺序的一组数字序列.时间序列分析就是利用这组数列,应用数理统计方法加以处理,以预测未来事物的发展。
时间序列分析是定量预测方法之一.基本原理:1.承认事物发展的延续性。
应用过去数据,就能推测事物的发展趋势。
2。
考虑到事物发展的随机性.任何事物发展都可能受偶然因素影响,为此要利用统计分析中加权平均法对历史数据进行处理。
该方法简单易行,便于掌握,但准确性差,一般只适用于短期预测。
时间序列分析是根据系统观测得到的时间序列数据,通过曲线拟合和参数估计来建立数学模型的理论和方法.二、基本思想1. 拿到一个观测值序列之后,首先判断它的平稳性,通过平稳性检验,判断序列是平稳序列还是非平稳序列。
2.若为非平稳序列,则利用差分变换成平稳序列。
3。
对平稳序列,计算相关系数和偏相关系数,确定模型。
4.估计模型参数,并检验其显著性及模型本身的合理性.5.检验模型拟合的准确性。
6.根据过去行为对将来的发展做出预测。
三、背景知识CPI(居民消费价格指数),是反映与居民生活有关的商品及劳务价格统计出来的物价变动指标,通常作为观察通货膨胀水平的重要指标.居民消费价格指数,是对一个固定的消费品篮子价格的衡量,主要反映消费者支付商品和劳务的价格变化情况,也是一种通货膨胀水平的工具。
一般来说,当CPI>3%的增幅时我们称为通货膨胀。
国外许多发达国家非常重视消费价格统计,美国、加拿大等国家都计算和公布每月经过季节调整的消费价格指数,以满足不同信息使用者的要求。
时间序列分析论文-V1

时间序列分析论文-V1时间序列分析是一种能够从时间上刻画和预测数据变化趋势的方法,越来越受到许多学科的关注和应用,尤其在经济学、金融学和天气学等领域得到了广泛的应用。
本文将介绍时间序列分析的基本概念以及相关论文的研究内容和方法。
1.时间序列分析的基本概念时间序列分析是一种建立在时间轴上的数据分析方法,利用过去数据的变化趋势或周期性规律预测未来数据的变化趋势或周期性规律。
时间序列数据的主要特征是:时间是自变量,其他变量是因变量。
时间序列分析主要包括三个部分:趋势分析、季节性分析和周期性分析。
2.相关论文的研究内容和方法(1)《基于时间序列分析的气温研究》该论文主要分析了气温时间序列对于气候变化的影响。
通过对气温数据的拟合分析得到了气温的变化趋势,进一步分析了季节性和周期性对于气温的影响,并预测了未来气温的变化趋势。
该论文的方法是将时间序列分析和数据拟合结合起来,利用多项式回归对气温进行拟合,进一步分析有关因素的影响。
(2)《基于时间序列分析的经济增长预测模型研究》该论文主要研究了时间序列分析在经济增长预测中的应用。
该研究通过分析GDP的时间序列数据,利用ARIMA模型对未来经济增长进行预测。
这种模型可以利用过去的数据来预测未来的发展趋势,对于政府制定经济政策和企业的发展规划都有很大的帮助。
(3)《基于时间序列分析与神经网络的股票价格预测研究》该研究主要探讨了时间序列分析与神经网络在股票价格预测中的应用。
该研究利用时间序列对过去的股票数据进行分析,同时采用了神经网络的方法对股票价格的未来变化趋势进行预测。
该研究的方法可提高投资决策的准确性,为股票市场的短期波动提供指导。
3.总结本文介绍了时间序列分析的基本概念和相关论文的研究内容和方法,展示了时间序列分析在不同领域的应用。
随着技术的发展和数据的丰富,时间序列分析的应用将会越来越广泛,未来有望成为许多学科的重要研究方法。
时间序列分析论文

时间序列分析在我国居民消费价格指数预测上的引用摘要: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,通过这种惯性分析可以由时间序列的历史数值对未来值进行预测。
文章主要利用时间序列的趋势外推方法对我国目前居民消费价格指数(CPI)进行了建模析和预测,以达到合理预期和分析的目的。
关键词:时间序列CPI 趋势预测1.我国居民消费价格指数的现状居民消费价格指数(Consumer Price Index,CPI)是一个反映居民家庭一般所购买的消费商品和服务价格水平变动情况的指标。
一般说来当CPI>3% 的增幅时我们称为通货膨胀;而当CPI>5% 的增幅时我们把他称为严重的通货膨胀。
如果消费价格指数升幅过大,表明通胀已经成为经济不稳定因素,央行会有紧缩货币政策和财政政策的风险,从而造成经济前景不明朗。
从国家统计局公布的2003年5月到2012年3月的数据可以明显的看出我国已经进入通货膨胀期,从2007年3月开始就超过3%的警戒线,然而从2007年7月开始更是每月都超过5%的严重通货膨胀的警戒线。
尽管国家已经采取了紧缩的货币政策如2007年6次上调存贷款基准利率;10次上调存款准备金率;加大央行票据发行力度和频率;以特别国债开展正回购操作等。
但是2011年3月以来我国还是维持在高的通货膨胀水平,因此进行居民消费价格指数的预测分析更显得尤为必要。
2.趋势模型的选择(时间数列分解模型)为了对我国CPI的变化有更加全面和深入的把握和认识,现观测从1994—2011年居民消费价格指数的全部数据,见表1。
表1 中国1994—2011 年居民消费价格指数由以上数据可以看出,因为居民消费价格指数受到如经济增长、特别是国家宏观货币政策等因素的影响,分析我国居民消费价格指数的变动不能简单地用一个线性模型来解释。
但是可以看出在一定的时期内,宏观经济波动不大的情况下,居民消费价格指数基本还是呈线性的。
因此笔者将这时间数列分段用线性模型分别分析居民消费价格指数在1994—1999 年、1999—2004年以及2004—2011 年这三个不同的经济状况下的变动情况。
时间序列ARIMA期末论文完整版

时间序列A R I M A期末论文标准化管理处编码[BBX968T-XBB8968-NNJ668-MM9N]ARIMA模型在总人口预测中的应用【摘要】人口发展与社会经济的发展是密不可分的,研究我国总人口的发展,对我国人口数进行分析和预测,有利于及时控制人口的增长调节人口平衡,利于政府及时了解发展趋势并做出反应对策使我国人口发展步入健康的轨道。
本文利用时间序列建模原理和思路,并结合软件对1962年——2014年我国年底总人口数据做分析和预测。
找到对原始数据有着较好的拟合度和较高的预测精度的模型。
利用此模型可对我国年底总人口进行合理的预测。
【关键词】ARIMA建模总人口人口预测目录一、引言 (3)研究背景 (3)研究现状 (4)二、模型建立 (5)模型识别 (5)模型的参数估计 (8)模型的诊断 (10)2.模型的预测 (12)三、模型的优缺点及推广 (13)模型的优缺点 (13)模型的推广 (13)结束语 (14)【参考文献】 (15)附录 (16)一、引言研究背景我国是世界上人口最多的国家,自1980年开始,年末中国大陆总人口就已经超过了10亿,并一直保持约占世界总人口的五分之一,亚洲人口的三分之一。
中国人口的发展同中国社会的发展一样经过了漫长而曲折的道路。
在世纪的进程中,目前我国进入了一个全新的时代,要想在21世纪——这个充满竞争与挑战的时代中变的富强、屹立于世界民族之林,实现我们的中国梦,这全取决于人。
能否顺利解决人口现状等问题,是我国乃自世界共同面临的问题,由于地球的资源是有限的,它不可能无限制的容纳人口,当人口过多,会由于经济跟不上,工作岗位欠缺,医疗等水平不足,从而导致整个社会处于一种动荡之中;然而如果人口过少,又会由于人员不足,导致各方面人力资源不足,无法正常完成各项必须社会活动,这也会极大地限制一个国家的发展,因此,对人口的研究是具有相当的意义的。
我国由于幅员广阔,民族众多,各民族发展水平不一,同时作为世界第一人口大国,我国的耕地面积却相对不足,因此我国每年都需要从国外大量进口粮食,由于过分依赖于进口这对我国的发展影响巨大,为此甚至有国外反华势力叫嚣只要断绝给中国供粮,三五年之内中国必定大乱。
时间序列分析课程论文

时间序列分析课程论文 Document serial number【UU89WT-UU98YT-UU8CB-UUUT-UUT108】对70个化学反应数据序列建立时间序列模型班级:统计二班姓名:李灿对70个化学反应数据序列建立时间序列模型一、数据平稳性检验(1)用时序图进行初步判断Xt时序图从时序图可以看出70个化学反应的数据是平稳的,但这个判断比较粗糙,需要用统计方法进一步验证。
(2)用序列相关性进行检验Xt自相关图从相关图看出,自相关系数从二阶后迅速衰减为0,说明序列是平稳的。
(3)对该序列做单位根检验检验结果如下图所示T检验统计量的相伴概率值很显着,说明不存在绝对值大于1的单位根,说明序列是平稳的。
二、对序列进行的随机性进行检验Xt自相关图最后一列白噪声检验的Q统计量和相应的伴随概率表明序列存在相关性,因此序列为非白噪声序列。
我们可以对序列采用B-J方法建模研究。
三、模型识别(即模型定阶)从自相关图可以看出自相关系数前两阶显着异于零外,其他都落入两倍标准差内,所以可以考虑用MA(2)拟合;偏自相关系数除了第一个显着异于零外,其他都落入两倍标准差内,且由非零转变为零的过程非常突然,所以可以尝试用AR(1)进行拟合;还可以考虑用ARMA(1,2)进行拟合。
对原序列做描述统计分析见图1,可见序列均值非0,我们通常对0均值平稳序列做建模分析,所以需要在原序列基础上生成一个新的0均值序列。
新序列的描述统计量见图2,相当于在原序列基础上作了个整体平移,所以统计特性没有发生根本改变。
我们对序列x进行分析。
Xt的描述统计量中心化处理后的Xt的描述统计图四、对模型的参数进行估计(1)尝试用AR(1)进行拟合从表中的数据可以看出T统计量的相伴概率非常显着,且模型的特征根在单位圆内,说明该过程是平稳的。
所以可得到如下AR(1)模型:(2)尝试用MA(2)模型进行拟合从表中可以看出MA(1)和MA(2)的相伴概率在显着性水平为的情况下是显着的,所以可以建立如下MA(2)模型(3)尝试建立ARMA(1,2)模型由参数估计结果看出,各系数均不显着,说明模型并不适合拟合ARMA(1,2) 模型。
硕士研究生时间序列论文考试1

基于ARCH族模型对我国汇率制度改革后汇率的波动分析摘要:本文通过ARCH族模型来对人民币/美元汇率收益率进行建模,结果发现汇改后外汇市场效率有所提高,外汇市场的风险可由过去的风险程度加以预测。
GARCH-M模型相对于GARCH模型来说拟合效果更好。
由TARCH、EGARCH、EGARCH-M模型的研究显示人民币/美元汇率收益率存在杠杆效应,存在明显的非对称性,还不具备具有的高风险高回报的风险溢价效应特征。
关键字:汇率波动;汇率收益率;ARCH族模型一、研究背景与意义2005年7月21日,中国人民银行发布公告,我国开始实行以市场供求为基础、参考一篮子货币进行调节、有管理的浮动汇率制度。
人民币汇率不再盯住单一美元,形成更富弹性的人民币汇率机制。
人民币汇率问题已成为全球性的一个重大课题,其实一直以来,汇率都是一个非常重要的经济指标,汇率的变动受到诸多经济因素的影响,反过来汇率变动也对经济产生多方面的影响。
显然,弄清人民币汇率近期变动态势,对于人民币汇率政策的正确选择具有重要意义。
本文通过研究人民币兑主要货币汇率的变动趋势来分析人民币汇率的波动特征。
并通过ARCH族模型来对人民币/美元汇率收益率进行建模,并分析其波动的杠杆效应和风险溢价效应。
二、国内外对汇率分析方法的研究目前国内外对汇率行为的理论与其实证研究主要是从两个方面来进行的:一方面是从影响汇率的各种因素出发,寻找汇率与这些因素之间所存在的某种关系,也称为基础因素分析法;另一方面则是从汇率运动的本身出发,研究其本身的波动状况并对其进行预测,也称为技术分析法,其一般使用的是时间序列分析方法。
技术分析法主要是根据汇率自身时间序列的历史数据,建立单变量的时间序列模型。
如指数平滑模型(Exponential Smoothing Model)、回归模型(AR)和移动平均模型(MA)等。
随着研究的深入,还产生了如贝叶斯向量自回归模型(BVAR),阀值模型(Threshold Model)、博克斯-詹金斯模型(Box-Jenkins,又称ARIMA)和自回归条件异方差(ARCH)模型。
- 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。
《时间序列分析》课程论文基于ARMAX模型的财政收入与税收的时间序列分析与预测班级:13级应用统计学1班学号:*********姓名:***基于ARMAX模型的财政收入与税收的时间序列分析与预测摘要财政收入,是指政府为履行其职能、实施公共政策和提供公共物品与服务需要而筹集的一切资金的总和,是衡量一国政府财力的重要指标。
其中税收收入是国家财政收入的重要组成部分,一般占到财政收入的90%以上,是政府机器的经济基础。
本文利用《应用时间序列分析》的知识通过sas 统计软件对1978-2012年中国财政收入与税收数据进行分析,通过单位根检验,发现两者都是非平稳时间序列,并且存在协整关系,所以拟合了ARIMAX模型。
由于残差序列非白噪声,所以对残差序列又进行了进一步的拟合,最后对模型进行预测,做出预测图。
关键词:财政收入与税收 ARIMAX模型预测一、引言财政与税收关系到国家发展、民生大计。
财政收入与税收对社会资源配置、收入分配、国民经济发展、企业经济活动、居民切身利益及政府决策行为都有重大影响。
近年来,随着我国经济的持续高速发展和国家财政与税收的大幅度增长,以及我国经济体制改革的不断深化和国家对经济发展宏观调控力度的不断加大,国家也适时出台了一系列有关财政与税收管理的新规定、新政策和新的监管制度。
可以看出两者地位越来越重要,作用越来越明显。
通过本文的分析,旨在找出两者的关系,为我国财政与税收做出合理的解释,为以后的收入做出合理的预测。
二、数据分析(一)、序列平稳性检验图1中,红色为y(财政收入)序列书序图;黑色为x(税收收入)序列时序图。
从时序图中可以看出x序列、y序列均显著非平稳。
并且两者都有明显的增加趋势。
2、单位根检验:表 1 序列x的单位根检验The ARIMA ProcedureAugmented Dickey-Fuller Unit Root Tests表 2 序列y 的单位根检验Augmented Dickey -Fuller Unit Root Tests单位根检验的原假设H0:序列为非平稳序列,如果 P> 0.05,则接受原假设,认为序列非平稳,否者序列为平稳序列。
上面的X 、Y 序列单位根检验过后,P 值均大于0.05,所以认为俩序列均为非平稳序列。
时序图显示两个序列具有某种同变关系,所以考虑建立ARIMAX 模型。
二、协整检验多元非平稳序列之间能否建立回归模型,关键在于他们之间是否具有协整关系。
所以建模前必须进行协整检验(EG 检验)。
假设条件:假设条件:{ H0:多元非平稳序列之间不存在协整关系H1:多元非平稳序列之间存在协整关系上述假设条件等价于假设条件:{ H0:回归残差序列{εt }非平稳H1:回归残差序列{εt }平稳对回归残差序列{εt }进行平稳性检验:图 2 残差的自相关图图3 残差的偏相关图表 3 残差序列单位根检验由自相关图与偏相关图可以看出回归残差序列{εt}为平稳序列。
另一方面,单位根检验的原假设H0:回归残差序列{εt}为非平稳序列,如果 P> 0.05,则接受原假设,认为序列非平稳,否者序列为平稳序列。
残差序列单位根检验图显示在第一种类型(常数均值、无趋势项)的情况下,有97.19%(即(1-0.0281)*100%)的把握断定残差序列平稳且不具有自相关性。
也就是说,可以以97.19%的把握认为1978-2012年中国财政收入序列y和税收收入序列x之间存在协整关系。
因此可以对两者进行建模。
(三)、ARIMAX模型建模1、建立响应序列与输入序列之间的回归模型:图 4 序列y 与序列x 之间的相关图图中第一列为因变量序列的延迟阶数,第二列为延迟序列与输入序列之间的协方差,第三列为相关系数,后面为相关图。
相关图显示序列y 在延迟阶数为零时与序列x 相关关系最强。
因此可以将序列y 与序列x 同期建模。
εβtX +=ˆY1t(1)2、模型的参数估计:表 4 极大似然估计的模型的参数估计参数估计是对模型中位置参数的值的估计,以确定模型的口径,并对模型进行显著性检验。
的本题采用极大似然方法进行估计。
参数估计表从左到右分别为 参数名称(MU 为常数项,NUM1为θ1)、参数估计值、估计值标准差、t 检验值、t 统计量p 值、延迟阶数。
参数估计结果显示,两个参数均显著(p 值小于0.05)。
所以建立ARIMAX 模型如下:εttX Y+=143.1 (2)3、回归残差序列{εt}白噪声检验:表 5 残差序列白噪声检验To LagChi-SquareDF Pr>ChiSq -------Autocorrelation-------6 37.38 6 <.0001 0.55 0.61 0.41 0.29 0.185 0.07 12 39.03 12 0.0001 -0.03 -0.04 -0.09 -0.10 -0.11 -0.04 18 45.61 18 0.0003 0.01 -0.12 -0.003 -0.15 -0.16 -0.18 24 97.98 24 <.0001 -0.25 -0.28 -0.31 -0.33 -0.32 -0.28上表结果显示,延迟各阶的LB统计量的P值都小于0.05,可以认为残差序列为非白噪声序列。
说明残差序列中还有未提取到的因素,所以考虑对残差序列进行拟合。
4、回归残差序列{εt}的模型拟合:表 6 残差序列参数估计Conditional Least Squares Estimation由于残差序列为平稳序列,所以考虑通过ARMA模型对其进行的拟合。
除去常数项,参数估计结果如下,在最小二乘估计下,AR1,1、MA1,1显著(t统计量的p值小于0.05)。
5、残差序列模型的显著性检验:表 7 残差自相关检验Autocorrelation Check of ResidualsTo LagChi-DF Pr>ChiSq ------Autocorrelation----- Square6 0.82 1 0.3655 -0.002 -0.001 0.03 0.09 0.07 -0.07 12 6.98 7 0.4312 -0.16 -0.02 -0.004 -0.13 -0.21 0.13 18 15.68 13 0.2671 0.22 -0.19 0.09 -0.02 0.14 0.07 24 17.65 19 0.5461 -0.05 -0.04 -0.02 -0.03 -0.1 -0.11由上表结果显示,延迟各阶的LB统计量的p值均显著大于α(α=0.05),所以认为该拟合模型显著成立。
6、残差序列模型的拟合:表 8 残差序列模型拟合Autoregressive FactorsFactor 1:1-1.35904B**(1)-0.15117B**(2)+0.58262B**(3)Moving Autoregressive FactorsFactor 1:1-1.093555B**(1)+0.18742B**(2)输出形式等价于εε132)58262.015117.035904.11(-+--=t tB B B (3)或记为εεεεε432158262.015117.035904.1----+--=t t t t t(4)7、模型的最终形式:⎪⎩⎪⎨⎧+--=+=----εεεεεε432158262.015117.035904.1143.1t t t t t t t X Y (5) 三、模型预测图 5 模型预测图四、结论(一)、时间序列分析中,尽管两组数据都是非平稳数据,但是只要他们之间存在协整关系,就可以拟合两者的关系ARIMAX 模型,通过模型可以直接看出两者的函数关系。
(二)、经过上述分析,最后得到ARIMAX 模型如下:⎪⎩⎪⎨⎧+--=+=----εεεεεε432158262.015117.035904.1143.1t t t t t tt X Y根据模型,可以直观的看出财政收入与税收收入两者为正相关关系,中国财政收入呈现出快速递增趋势。
εt 表示序列的残差项。
单位根检验显示,残差序列为平稳非白噪声序列,因此通过ARMA 模型对残差序列又重新进行了拟合。
第二个函数就是拟合出的残差函数。
(三)、通过本文的分析,找到了中国财政收入与税收收入的确切关系,由预测图可以观察到中国财政收入呈显著上升趋势。
通过时间序列模型,预测出了近几年国家的财政收入情况。
本次分析可以为政府提供出具政策的依据。
附录一1978-2012年中国财政收入与税收数据 21单位:亿元年份财政收入y 税收收入x1978 1132.26 519.281979 1146.38 537.821980 1159.93 571.71981 1175.79 629.891982 1212.33 700.021983 1366.95 775.591984 1642.86 947.351985 2004.82 2040.791986 2122.01 2090.731987 2199.35 2140.361988 2357.24 2390.471989 2664.9 2727.41990 2937.1 2821.861991 3149.48 2990.171992 3483.37 3296.911993 4348.95 4255.31994 5218.1 5126.91995 6242.2 60381996 7407.99 6090.821997 8651.14 8234.041998 9875.95 9262.81999 11444.08 10682.582000 13395.23 12581.512001 16386.04 15301.382002 18903.64 17636.452003 21715.25 20017.312004 26395.47 24165.682005 31649.29 28778.542006 38760.2 34804.352007 51321.78 45621.972008 61330.35 54223.792009 68518.3 59521.592010 83101.51 73210.792011 103874.43 89738.392012 117.253.52 100614.28附录二Sas程序一title "1978-2012年中国财政收入与税收数据 "; data czsj; input y x @@; t=1978+_n_-1; cards;1132.26 519.281146.38 537.821159.93 571.71175.79 629.891212.33 700.021366.95 775.591642.86 947.352004.82 2040.792122.01 2090.732199.35 2140.362357.24 2390.472664.9 2727.42937.1 2821.863149.48 2990.173483.37 3296.914348.95 4255.35218.1 5126.96242.2 60387407.99 6090.828651.14 8234.049875.95 9262.811444.08 10682.5813395.23 12581.5116386.04 15301.3818903.64 17636.4521715.25 20017.3126395.47 24165.6831649.29 28778.5438760.2 34804.3551321.78 45621.9761330.35 54223.7968518.3 59521.5983101.51 73210.79103874.43 89738.39117.253.52 100614.28; Proc gplot; plot y*t=1 x*t=2/overlay; symbol1 c=red i=join v=none; symbol2 c=black i=join v=none; run;Sas程序二proc arima; identify var=x stationarity=(adf=1); identify var=y stationarity=(adf=1); run;Sas程序三proc arima; identify var=y crosscorr=x; estimate method=ml input=x plot;run;Sas程序四forecast lead=0 id=t out=out; proc arima data=out; identify var=residual stationarity=(adf=2); run;estimate p=3 q=2 noint; run;Sas程序五forecast lead=5 id=t out=result; proc gplot data=result; plot y*t=1 forecast*t=2 l95*t=3 u95*t=3/overlay; symbol1 c=black i=none v=star; symbol2 c=red i=join v=none; symbol3 c=green i=join v=none; run;。