居民消费价格指数的时间序列分析及预测_姜弘
我国居民消费价格指数预测研究--基于LASSO-IPSO-LSTM组合预测模型
我国居民消费价格指数预测研究--基于LASSO-IPSO-LSTM
组合预测模型
薛洁;冯楠
【期刊名称】《统计科学与实践》
【年(卷),期】2022()7
【摘要】针对CPI时序数据的非线性特征以及传统的统计预测方法、神经网络的不足,文章提出LASSO-IPSO-LSTM组合预测模型。
以2011年1月至2020年12月我国CPI月度数据为研究对象,运用LASSO方法筛选出对CPI产生显著影响的指标,利用改进PSO算法优化LSTM网络的超参数,进而构建组合模型对CPI数据进行预测。
结果表明,LASSO-IPSO-LSTM组合预测模型的预测误差均小于其他模型,且平均绝对百分比误差仅为0.53%,说明该模型具有良好的泛化能力,可为准确预测CPI提供一种稳定而有效的方法。
【总页数】5页(P15-19)
【作者】薛洁;冯楠
【作者单位】杭州电子科技大学
【正文语种】中文
【中图分类】F72
【相关文献】
1.基于GM(1,1)理论的中国居民消费价格指数预测模型研究
2.基于遗传算法的我国居民消费价格指数短期灰色预测研究
3.基于小波分析的SVM和ARMA预测模型
的实证研究——以居民消费价格指数CPI为例4.基于半参数时间序列模型的我国城市居民消费价格指数的预测研究5.基于新维无偏灰色RBF神经网络的居民消费价格指数预测模型
因版权原因，仅展示原文概要，查看原文内容请购买。
居民消费价格指数的时间序列模型分析
居民消费价格指数时间序列模型分析内容摘要由于去年来我国居民消费价格指数（CPI）出现了持续较快上涨，而CPI对经济生活各个方面都有重要影响，因此本文选用时间序列模型来分析其变化规律，以期能够根据其规律对经济生活中某些决策起到某些借鉴作用。
本文首先描述性分析了我国CPI数据变动情况，然后用乘积季节模型来拟合该数据变动规律，并根据拟合模型作了短期预测。
从模型拟合效果和预测结果看，乘积季节模型能够较好地说明CPI数据变动规律。
关键词：居民消费价格指数（CPI）乘积季节模型预测相关图ABSTRACTBecause the CPI （Consumer Price Index） has been going up increasingly and sharply since last year and it' s very important for the people in all the aspects of the economy life, this text selects the time series model in order to draw up the regulations in the data of the CPI and make use of them in the decision-makings・ First of all, this text described fluctuations of the CPI in China, fitted the regulations with the multiplicative seasonal model and forecasted the short-term CPI with the mode1・ Compared with the estimation and the forecast in the model, the multiplicative seasonal model made a good descriptionof the regulations and trends about the data・KEY WORDS： Consumer Price Index Multiplicative Seasonal ModelsForecastCorrelation Function Charts---------------------------------------------- 1页一、居民消费价格指数概念和经济意义 ------------------------------------ 1页二、数据结构检验及初步分析 -------------------------------------------- 2页三、季节调整模型历史和建模思想 ---------------------------------------- 3页四、我国CPI数据建模和预测-------------------------------------------- 4页（一）、数据平稳化检验（二）---------------------------------------------------------------- 、数据平稳化过程--------------------------------------------------------------- 5页（三）------------------------------------------------------------------- 、建立乘积季节模型------------------------------------------------------------ 7页（四）------------------------------------------------------------------- 、预测和分析------------------------------------------------------------------ 8页结语--------------------------------------------------------------------------------------------------- 9页（一）-------------------------------------------------- 预测合理性和可行性9页（二）-------------------------------------------------------- CPI预测意义9页（三）------------------------------------------------------ 预测中存在问题9页参考文献10页居民消费价格指数时间序列模型分析居民消费价格指数不仅是反映通货膨胀首要指标，也是及居民生活水平密切相关重要指数，该指数被用来监控和预警宏观经济运行状态，并作为重要依据来调整我国财政政策和货币政策。
居民消费价格指数预测的分解模型研究_以武汉市时间序列数据为例
对居民消费价格指数进行准确地预测，是合理制定宏观经济政策的前提。
本文选取武汉市２００３年１月至２００９年１１月居民消费价格指数的月度定基比数据，采用时间序列分解法建立模型并进行预测。
从居民消费价格指数中分解出季节因素和长期趋势因素，并对居民消费价格指数的变化做出准确的预测，以期为宏观经济分析和决策提供参考。
一、武汉市居民消费价格指数时间序列分析时间序列分解模型的基本思想是序列的各种变化受到长期趋势、周期性循环要素、季节性变化和不规则变动这四个因素的影响。
其中（１）长期趋势因素（Ｔ）：反映经济现象在一个较长时间内的发展方向，它可以在一个相当长的时间内表现为一种近似直线的持续向上或持续向下或平稳的趋势。
（２）周期性循环要素（Ｃ）：是一种周期性变动，它是受各种经济因素影响的上下起伏不定的波动。
（３）季节性要素（Ｓ）：是受季节变动影响所形成的一种长度和幅度固定的周期性波动。
（４）不规则要素（Ｉ）：是受各种偶然因素影响所形成的不规则变动。
时间序列可以表示为上述四个因素的函数。
时间序列分解模型有很多，最常用的有加法模型：时间序列Ｙ等于以上四个因素之和；乘法模型：时间序列Ｙ等于以上四个因素的乘积；混合模型：时间序列Ｙ等于长期趋势与季节性要素的乘积再加上循环要素与不规则要素之和。
本文选取武汉市２００３年１月至２００９年１１月居民消费价格指数的月度定基比数据Ｙ，由于是定基比数据，因此在各期之间具有可比性。
其时间序列如图１所示。
从图１可以看出，武汉市居民消费价格指数基本上是每年的２月达到最高，每年的６－７月达到最低；且不同年份的居民消费价格指数有逐年增长的趋势。
从２００３年１１月开始至２００６年６月呈现逐渐上涨的趋势，２００６年７月开始加速上涨，到２００８年２月达到最高值，同比上涨９．８％，这主要是受到强雨雪天气影响，２月份食品价格环比上涨１０．４％，同时，受上年价格“翘尾”的因素影响价格总水平上涨３．６％。
２００８年３月武汉居民消费价格指数总水平比上月下将２．１％。
居民消费价格指数的时间序列分析
居民消费价格指数的时间序列分析作者：杨志来源：《经济研究导刊》2013年第35期摘要：社会经济现象往往受许多因素的影响，且这些因素之间又保持着错综复杂的联系，因而，运用结构式的因果模型进行分析和预测往往比较困难，而根据其自身的变动规律建立动态模型即时间序列分析则是一种行之有效的方法。
对此，介绍了平稳时间序列分析的思想及方法，并以1995—2006年全国居民消费价格指数统计资料为依据，建立其时间序列模型。
关键词：时间序列；居民消费价格指数；模型中图分类号：F126；C913 文献标志码：A 文章编号：1673-291X（2013）35-0008-03一、平稳时间序列模型介绍（一）ARMA模型模型（3）的无条件均值、无条件方差和条件方差都是常数。
条件均值随着时间的变化而变化。
所以，可以利用该模型对未来进行预测，应该可以得到比平均数更好的预测，因为该预测会随着新数据的增加而不断调整。
假设我们得到的时间序列是平稳的，就可以对它建立ARMA模型。
（二）ARIMA模型上述的ARMA模型是平稳时间序列模型。
现实中很多时间序列都存在一定的趋势，因此是非平稳的。
对于非平稳时间序列不能直接建立ARMA模型，我们可以通过对非平稳序列进行差分以得到平稳序列。
若某时间序列是非平稳的，通过差分运算，得到平稳性的序列称为单整序列。
如果序列Xt通过d次差分成为一个平稳序列，而这个序列差分d-1时却不平稳，那么则称序列Xt为d 阶单整序列，记为Xt～I（d）；特别地，如果序列Xt本身是平稳的，则称为零阶单整序列，记为Xt～I（0）。
对于非平稳时间序列Xt，经过d阶差分变换得到平稳序列ΔdXt，可对其建立ARMA（p，q）模型，即称上述模型为求和自回归滑动平均模型，记为ARIMA（p，d，q），其中，p，d，q分别表示自回归阶数、差分阶数、移动平均阶数，当d=0时，ARIMA（p，d，q）模型就是ARMA 模型。
（三） ARMA模型的建模步骤ARMA（p，q）模型的建模步骤如下：首先，对原时间序列进行平稳性检验，如果序列不满足平稳性条件，可以通过差分变换或者对数差分等其他变换，使原时间序列满足平稳性条件。
我国居民的消费水平时间序列分析及预测
我国居民的消费水平时间序列分析及预测作者：刘敏来源：《商场现代化》2014年第21期摘要：本文采用时间序列分析及预测的方法对我国居民的消费水平的发展趋势进行分析预测。
通过EViews7.0建立时间序列模型，选择合适模型进行拟合，并作出预测。
利用二次型模型和指数型模型，用最小二乘法进行参数估计。
利用拟合优度大小和拟合图相结合，选出最优模型及预测值。
关键词：消费水平；时间序列；二次型模型；指数型模型一、引言居民消费水平是指居民在物质产品和劳务的消费过程中，对满足人们生存、发展和享受需要方面所达到的程度。
通过消费的物质产品和劳务的数量和质量反映出来。
现在物价上涨，我国的消费水平和消费能力提高，对我国的经济发展有一定的推动作用。
所谓时间序列是按照时间的顺序排列的统计数据。
对时间序列进行观察，研究，找出一定的规律，预测将来的趋势。
在日常生活，生产中，时间序列随处可见，时间序列分析的应用领域很广泛。
本文将运用于经济领域。
二、样本与数据处理本文选用1993年-2012年的居民的消费水平年度数据作为样本。
（数据来源：中国统计年鉴2012）根据EViews7.0得到时序图，知样本总体呈现出不断上升的趋势。
进一步做单位根检验可得：P值为1，P值大于0.05，故不能拒绝原假设，即存在单位根，该序列不平稳。
由于序列不平稳，所以对样本数据进行差分处理。
经过一阶差分后的单位根检验结果中，P值为0.4349，P值大于0.05，故接受原假设，即存在单位根，该序列不平稳。
经过二阶差分后的单位根检验结果中，P值为0.01，P值小于0.05，故拒绝原假设，即不存在单位根，该序列平稳。
三、模型的选择1. 二次型模型的建立由于原序列经过二阶差分得到平稳序列可知，此序列可能为二次型序列，所以对其进行二次型模型处理。
（1）确定二次型模型由EViews7.0图对原序列的二次型拟合图由图1可得到二次型模型，但也需要对其残差自相关等分析，而后对残差进行模型拟合。
我国居民消费价格指数时间序列模型与预测
我国居民消费价格指数时间序列模型与预测摘要: 居民消费价格指数CPI 是具有重要经济意义的指标，它的增长具有一定的内在规律性，而大多数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。
本文利用了ARMA 模型对我国1993年8月—2014年10月的月度CPI 的时间序列数据进行建模分析，并利用所建立的模型对我国的居民消费价格指数进行了短期预测。
关键词: CPI ARMA 模型 时间序列 预测时间序列预测是通过对预测目标自身时间序列的处理来研究其变化趋势的。
即通过时间序列的历史数据揭示现象随时间变化的规律，将这种规律延伸到未来从而对该现象的未来作出预测。
文中所用的ARMA 模型是目前最常用的随机时间序列拟合模型。
其基本思想是:某些时间序列是依赖于时间t 的一组随机变量，构成该时序的单个序列值虽然具有不确定性。
但整个序列的变化却有一定的规律性，可以用相应的数学模型近似描述。
通过对该数学模型的分析研究，能够更本质地认识时间序列的结构与特征达到最小方差意义下的最优预测。
研究我国的居民消费价格指数CPI 的统计规律性和变动趋势，对于我国相关的经济发展政策有特别重要的意义。
本文利用我国1993年8月—2014年10月的月度CPI 历史数据为样本，利用在研究一个国家或地区经济和商业预测中比较先进适用的时间序列模型之一的ARMA 模型对样本进行统计分析，以揭示我国居民消费价格指数CPI 变化的内在规律性，并进行后期预测。
一、数据预处理1.平稳性检验 （1）时序图96100104108112116120124128255075100125150175200225250居民消费价格指数(上年同月=100)从上图可知，该数据有截距项，无明显变动趋势。
（2）ADF 单位根检验Null Hypothesis: CPI has a unit rootExogenous: ConstantLag Length: 12 (Automatic - based on SIC, maxlag=15)t-Statistic Prob.*Augmented Dickey-Fuller test statistic -4.798075 0.0001 Test critical values: 1% level -3.4572865% level -2.87328910% level -2.573106*MacKinnon (1996) one-sided p-values.Augmented Dickey-Fuller Test EquationDependent Variable: D(CPI)Method: Least SquaresDate: 11/26/14 Time: 22:25Sample (adjusted): 14 255Included observations: 242 after adjustmentsVariable Coefficient Std. Error t-Statistic Prob.CPI(-1) -0.032085 0.006687 -4.798075 0.0000 D(CPI(-1)) 0.168383 0.053134 3.169021 0.0017 D(CPI(-2)) 0.075710 0.053347 1.419191 0.1572 D(CPI(-3)) 0.043381 0.053218 0.815167 0.4158 D(CPI(-4)) 0.106993 0.053157 2.012767 0.0453 D(CPI(-5)) 0.059208 0.052698 1.123534 0.2624 D(CPI(-6)) 0.022702 0.052143 0.435374 0.6637 D(CPI(-7)) 0.077984 0.051391 1.517469 0.1305 D(CPI(-8)) 0.112575 0.051273 2.195607 0.0291 D(CPI(-9)) 0.028500 0.051586 0.552476 0.5812 D(CPI(-10)) -0.039258 0.051568 -0.761295 0.4473 D(CPI(-11)) 0.210599 0.051451 4.093188 0.0001 D(CPI(-12)) -0.481773 0.049770 -9.680053 0.0000C 3.261175 0.693266 4.704072 0.0000R-squared 0.474112 Mean dependent var -0.100000 Adjusted R-squared 0.444127 S.D. dependent var 0.690841 S.E. of regression 0.515070 Akaike info criterion 1.567081Sum squared resid 60.48765 Schwarz criterion 1.768920Log likelihood -175.6168 Hannan-Quinn criter. 1.648389F-statistic 15.81172 Durbin-Watson stat 2.004497Prob(F-statistic) 0.000000由检验结果可知，在5%的置信度水平下，p=0.0001<0.05, 通过单位根检验，数据平稳。
天津市CPI的时间序列分析及预测
（１０．５０２） （－ １０．３９７） （－ １６．３５）
的。１９９０ 年到 ２００７ 年居民消费价格指数 （１６．３６） （－１０．９４） （１０．９３）
的数据，参见表 ２ 和图 ２。
Ｒ２＝ ０．９８２４ Ｆ＝ １３４．１１５９
在这里，笔者运用Ｅｖｉｅｗｓ 软件结合最
其中，括号中的值为各个回归参数所
２００７ 年 ７ 月至 ２００８ 年这段时间，我 国的 ＣＰＩ 涨幅一直维持在 ５％ 以上；天津 市则是自 ２００７ 年 １１ 月，ＣＰＩ 涨幅一直维 持在 ５ ％ 以上，维持在高的通货膨胀水平 上。一般说来当 ＣＰＩ＞３％ 的增幅时，称为 通货膨胀；而当 ＣＰＩ＞５％ 的增幅时，则称 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；因此进 行居民消费价格指数的预测分析更显得尤 为必要。
具体是什么因素影响了天津市 ＣＰＩ 变 动，又是那些影响因素造成近段时间天津 ＣＰＩ 持续低于全国，下面本文将针对此问 题作出详细的阐述和分析。
天津市 Ｃ Ｐ Ｉ 变动的主要影响 因素
食品价格的变动是影响天津 ＣＰＩ 变动 的主要原因。由于猪肉等食品价格的上涨 已经成为推动 ＣＰＩ 攀升的主要动力和原因， 食品的市场调节是否到位直接关系到天津 ２００８ 年的 ＣＰＩ 情况。
指数受到如经济增长、特别是国家宏观货
ＣＰＩ＝１０７４８．０７－５．３３ＹＥＡＲ－２０４７５．
币政策等因素的影响，使得在不同的时期 ３１Ｄ１＋１０．２７ＹＥＡＲ＊Ｄ１－１１６５５．１６Ｄ２＋５．
内，居民消费价格指数的变动情况是不同 ８ ３ ３ ３ ３ Ｙ Ｅ Ａ Ｒ ＊ Ｄ ２
的，但是在一定的期间，基本还是呈线性
1994—2012年江苏省居民消费价格指数的时间序列分析
1994-2012年江苏省居民消费价格指数的时间序列分析班级：统计1班姓名：陈晶晶学号：09704122摘要居民消费价格指数（CPI）是宏观经济分析和决策，价格总水平监测和调控以及国民经济核算的重要指标。
本文利用1994-2012年江苏省居民消费价格指数的月度数据，运用Eviews 软件建立一个乘积季节模型，并用这个模型对江苏省未来的居民消费价格指数进行合理的预测。
关键词居民消费价格指数时间序列分析乘积季节模型预测分析一．引言居民消费价格指数(CPI)是用来测定一定时期内居民支付所消费商品和服务价格变化程度的相对数指标。
它既是反映通货膨胀程度的重要指标，也是国民经济核算中的缩减指标。
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，我们把它称为严重的通货膨胀。
这一指标影响着政府制定货币、财政、消费、价格、工资、社会保障等政策，同时，也直接影响居民的生活水平及评价。
居民消费价格指数反映的市场价格信号真实．带动价格舆论导向正确，有利于改善价格总水平调控。
首先，它有利于维护正常的经济生活和市场价格信息秩序。
其次，有利于引导消费形成合理的消费价格，促进有效需求。
再次，它有利于综合运用价格和其他经济手段，实现价格总水平调控目标。
【1】所以，对该指标的分析与预测是非常有意义的工作。
本人在阅读与之有关的参考文献时，发现很多学者采用全国的CPI数据进行时间序列分析，就某个省份或某个城市的CPI数据研究很少，而且采用的模型也各不相同，所以本人就用江苏省1994-2012年的居民消费价格指数进行了时间序列分析。
二．数据描述和模型说明1.数据描述1994年1月——2012年3月江苏省居民消费价格指数如下表：（数据来源：/data/mac/jmxf_dq.php?symbol=320000）1月2月3月4月5月6月7月8月9月10月11月12月1994年123.9 125.9 122.6 121.4 119.8 120.6 122.3 123.4 125.5 125.6 124.9 121.61995年120.8 119.6 119.1 118.1 118.4 117.4 115.4 113.1 112.5 112.1 111.6 1121996年112.6 111.9 111.8 111.5 109.9 108.9 109.3 109.2 107.6 106.9 106.6 105.51997年104.2 104.3 103.1 103 102.4 101.8 101 100.8 100.9 100.1 99.7 99.41998年99.5 99.5 100.4 99.5 99.4 99 99 99.6 99.2 99.4 99.5 99.21999年98.9 98.8 98.1 97.6 97.9 98.7 99.3 98.9 98.9 99.3 99.2 99.32000年100.4 101.4 100.4 100.1 99.7 99.6 99.7 99.4 99.5 99.4 100.3 100.72001年101.6 100.4 101 101.9 102 101.4 101.4 101.2 100.3 100 99.4 99.32002年99.2 99.9 99.3 98.6 99 99.5 99.3 99.4 99.1 99 99.1 99.42003年100 100.2 100.6 100.7 100.1 99.6 100.3 101 101.2 102.2 103.2 103.22004年103.2 102.4 103.6 104.3 105.1 105.6 105.3 105.5 105.1 104.1 102.5 102.12005年102.2 104.4 103 102 101.5 101.4 101.8 101.3 101.4 102.1 102 102.32006年102.5 101.2 100.9 101.4 101.5 101.4 101.3 101.5 101.3 101 102 103.12007年102 102 102.5 102.7 103.1 104 105.2 106 105.9 106.2 106.5 105.62008年106.1 107.7 107.7 107.6 107.1 106.9 106 104.6 104.3 103.5 101.9 101.42009年101.4 99.5 99.6 98.9 98.8 98.3 98 98.8 99.3 99.6 100.6 102.12010年101.7 102.4 102.4 103.2 103.7 103.5 104.1 103.9 104.6 105.2 106.1 1052011年105.1 105.7 105.6 105.3 105.7 106.9 106.4 106 105.4 104.8 103.5 103.62012年103.9 102.9 103.5首先，做出序列时序图和自相关图，如下：X13012512011511010510095949698000204060810可以看出该序列是不平稳的序列，做1阶12步差分dx=d(x,1,12)得到如下时序图：DX4321-1-2-3-4949698000204060810可以看出差分后的序列是平稳序列。
最新-居民消费价格指数分析及预测 精品
居民消费价格指数分析及预测居民消费价格指数是反映一个地区经济生活状况的重要指标，研究分析某一地区的指数变化趋势有着重要的现实意义。
本文通过建立模型，对西安市近些年居民消费价格指数数据进行了分析。
实证分析的结果表明，3,1,3模型能够较好地拟合数据，预测的准确度比较高，可以为市场的短期预测与经济政策的制定提供一定的参考依据。
指数；模型；预测一、引言居民消费价格指数是用来衡量一个地区通货膨胀率的重要指标。
通俗的讲，就是该地区市场上一组有代表性的消费品及服务项目的价格水平在一段时间内增长的百分比。
一般认为在2~3属于可接受范围内，如果该指标高于3则认为该地区存在通货膨胀的风险。
[1]由于该指标的重要性，国内学者对于它的研究分析有很高的热度。
刘颖等用季节调整方法对我国时间序列进行分析。
[2]雷鹏飞运用季节性模型对我国序列进行了有效地分析。
[3]郭玉等运用6构建了模型对我国的进行分析和预测。
[4]我国地理幅员辽阔，每个地区经济社会状况有所差异，一个地区的居民消费价格指数更能代表这一地区的经济生活情况，对于该地区的老百姓更是密切相关。
因此，对一个地区指数的分析和预测，可以准确掌握该地区老百姓的生活状况和未来的经济发展形势，对各级政府开展工作具有重要的指导意义。
本文通过建立模型，对西安市近些年指数的月度数据进行了分析与预测，为经济政策的制定提供了一定的参考依据。
二、模型在对传统的时间序列研究分析中，模型是其中一个重要方法，它是由自回归模型模型与移动平均模型模型为基础混合构成的。
但是模型含有一个假设条件就是该时间序列是平稳的，然而对于大多数的经济和金融时间序列，受到趋势、季节等一些随机因素的影响，会呈现出非平稳的特点。
根据这一现象，在本文中使用由博克斯-詹金斯提出的通过将时间序列进行差分变换从而达到平稳的模型,[5]来对时间序列进行建模。
该模型的表达式如下其中，ω是经过阶差分后得到的变量，即；δ为自回归系数；ɛ为移动平均系数；为自回归项数；为移动平均项数。
居民消费价格指数的时间序列分析
居民消费价格指数的时间序列分析作者：杨志来源：《经济研究导刊》2013年第35期摘要：社会经济现象往往受许多因素的影响，且这些因素之间又保持着错综复杂的联系，因而，运用结构式的因果模型进行分析和预测往往比较困难，而根据其自身的变动规律建立动态模型即时间序列分析则是一种行之有效的方法。
对此，介绍了平稳时间序列分析的思想及方法，并以1995—2006年全国居民消费价格指数统计资料为依据，建立其时间序列模型。
关键词：时间序列；居民消费价格指数；模型中图分类号：F126；C913 文献标志码：A 文章编号：1673-291X（2013）35-0008-03一、平稳时间序列模型介绍（一）ARMA模型模型（3）的无条件均值、无条件方差和条件方差都是常数。
条件均值随着时间的变化而变化。
所以，可以利用该模型对未来进行预测，应该可以得到比平均数更好的预测，因为该预测会随着新数据的增加而不断调整。
假设我们得到的时间序列是平稳的，就可以对它建立ARMA模型。
（二）ARIMA模型上述的ARMA模型是平稳时间序列模型。
现实中很多时间序列都存在一定的趋势，因此是非平稳的。
对于非平稳时间序列不能直接建立ARMA模型，我们可以通过对非平稳序列进行差分以得到平稳序列。
若某时间序列是非平稳的，通过差分运算，得到平稳性的序列称为单整序列。
如果序列Xt通过d次差分成为一个平稳序列，而这个序列差分d-1时却不平稳，那么则称序列Xt为d 阶单整序列，记为Xt～I（d）；特别地，如果序列Xt本身是平稳的，则称为零阶单整序列，记为Xt～I（0）。
对于非平稳时间序列Xt，经过d阶差分变换得到平稳序列ΔdXt，可对其建立ARMA（p，q）模型，即称上述模型为求和自回归滑动平均模型，记为ARIMA（p，d，q），其中，p，d，q分别表示自回归阶数、差分阶数、移动平均阶数，当d=0时，ARIMA（p，d，q）模型就是ARMA 模型。
（三） ARMA模型的建模步骤ARMA（p，q）模型的建模步骤如下：首先，对原时间序列进行平稳性检验，如果序列不满足平稳性条件，可以通过差分变换或者对数差分等其他变换，使原时间序列满足平稳性条件。
居民消费价格指数的时间序列分析及预测
关 键 词 ：时 间 序 列 ；CPI；趋 势 ；预 测
中 图 分 类 号 ：F126；C913
文 献 标 识 码 ：A
文 章 编 号 ：1002-6487（2009）04-0117-02
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。
２ 趋势模型的选择（统计学时间数列分解模型）
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 1990~2007 年居民消费价格指数的全部数据， 见表 1。
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 1990~1994 年 、1994~1999 年 以 及 1999~2007 年 这 三 个 不 同 的经济状况下的变动情况。 下面，就详细的分析这几个阶段 CPI 的变动规律。 2.1 分析方法的选择
消费者物价指数的时间序列模型与研究
消费者物价指数的时间序列模型与研究一、引言消费者物价指数（Consumer Price Index，简称CPI）是衡量物价水平变动的重要指标，对于国家宏观经济政策的制定和市场调节具有重要意义。
本文将基于时间序列模型，对CPI进行分析和研究，旨在揭示CPI的长期趋势和短期波动规律，为经济决策提供参考。
二、时间序列模型简介时间序列模型是一种分析和预测时间序列数据的方法。
它基于统计学理论，通过对历史数据的分析，寻找数据内部的规律和趋势，进而预测未来的发展趋势。
常用的时间序列模型包括ARIMA模型、ARCH 模型等。
三、CPI的时间序列模型构建1. 数据收集与预处理为构建CPI的时间序列模型，首先需要收集CPI的历史数据，并进行预处理。
预处理包括去除异常值、填补缺失值等，确保数据的准确性和完整性。
2. 数据分析与探索对预处理后的CPI数据进行分析和探索，了解CPI的基本特征和趋势。
可以使用统计图表、描述性统计等方法，对CPI数据进行可视化和概括，以便更好地理解数据的特点。
3. 模型选择与建立根据CPI数据的特点和分析结果，选择适合的时间序列模型进行建立。
可以根据CPI数据的平稳性、自相关性等进行模型的选择和检验，确保选择的模型拟合性好且具有可解释性。
4. 模型参数估计与检验在选择并建立时间序列模型后，需要进行参数的估计与检验。
根据CPI数据，利用极大似然估计等方法，估计模型的参数，并进行显著性检验，判断模型的拟合效果和可靠性。
5. 模型预测与应用基于已建立并检验通过的时间序列模型，进行CPI的预测和应用。
可以利用模型进行未来一段时间内CPI的预测，提供决策者参考，同时也可以应用模型对CPI的波动和变动原因进行解释和分析，为相关政策的制定提供依据。
四、时间序列模型研究的意义与局限性1. 研究意义时间序列模型的研究可以揭示CPI的长期趋势和短期波动规律，为经济决策提供参考。
通过模型的预测和解释，可以帮助决策者制定合理的经济政策，稳定物价水平，维护社会稳定。
基于时间序列的居民消费价格指数分析(全文)
基于时间序列的居民消费价格指数分析一、居民消费价格指数居民消费价格指数，即CPI（Consumer Price Index），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宏观经济指标。
其衡量的是一定数量具代表性的商品或服务项目的价格随时间变动而变动的程度，通常这一指数也被用于反映居民家庭购买消费商品及服务的价格水平的变动情况。
因此，在考察一国或某一地区宏观经济运行进展状况时，其居民消费价格指数是必不可少的重要数据从指标。
这一指标不仅反映一定时期内居民购买的商品和服务价格变动，还体现了在不同时期居民生活费用的变动状况。
同时，居民消费价格指数还被广泛应用于判定经济体是否存在通货膨胀，故此，CPI也是市场经济状态的晴雨表。
所以，从宏观治理层面讲，居民消费价格指数是各级政府部门了解居民消费价格状况，研究制定价格政策、工资政策、货币政策，以及为国民经济核算的重要依据和关键指标。
从投资层面讲，居民消费价格指数是企业增加或减少投资的重要决策依据。
从就业层面看，CPI是政府和企业调整雇员工资和津贴的重要指标。
本文用过Eviews软件建立RIM模型，对我国近年来居民消费价格指数的统计数据进行分析和估量。
二、时间序列模型对居民消费价格指数的分析（一）应用模型概述1.时间序列模型。
RM模型是目前应用较为广泛的平稳时间序列分析模型，模型具体可分为：R模型、M模型、RM模型。
RM模型表达式如下：Xt=φ0+φ1Xt-1+φ2Xt-2+...+φpXt-p+εt-θ1εt-1-...-θqεt-qφp≠0，θq≠0E（εt）=0，Vr（εt）=σ2ε，E（εtεs）=0，s=tExsεt=0，？坌s引进延迟算子，RM（p，q）模型简记为：φ（B）xt=θ（B）εt，其中：φ（B）=1-？渍1B-…-？渍pBp。
为p阶自回归系数多项式；θ（B）=1-θ1B-…-θqBq为q阶移动平均系数多项式。
令q=0，我们就从RM（p，q）模型得到了R（p）模型。
居民消费价格指数的时间序列分析
居民消费价格指数的时间序列分析摘要：时间序列分析是一种根据动态数据揭示系统动态结构和规律的统计方法。
本文以我国2007年1月至2011年4月居民消费价格指数为研究对象，基于居民消费价格指数存在明显的非平稳性和季节性特征，运用自回归移动平均季节模型进行建模分析，并利用SPSS建立了居民消费价格指数时间序列的相关关系模型，并对其进行预测，取得较好的效果。
关键词：居民消费价格指数SPSS软件时间序列分析预测、引言（一）问题的基本情况及背景居民消费价格指数的调查范围和内容是居民用于日常生活消费品的全部商品和服务项目价格。
包括食品、烟酒及用品、衣着、家庭设备用品及维修服务、和个人用品、交通和通讯、娱乐教育文化用品及服务、居住等八大类商品及服务项目价格。
既包括居民从商店、工厂、集市所购买的价格，也包括从购买的价格。
该指数以实际调查的综合平均单价和根据住户调查有关资料确定的权数，按加权算术平均公式计算。
全国居民消费价格指数是反映居民家庭购买生活消费品和支出服务项目费用价格变动趋势和程度的相对数。
其目的在于观察居民生活消费品及服务项目价格的变动对城乡居民生活的影响，为各级党政领导掌握居民消费状况，研究和制定居民消费价格政策、工资政策以及为新国民经济核算体系中有消除价格变动因素的不变价格核算提供科学依据。
居民消费价格指数还是反映通货膨胀的重要指标。
当居民消费价格指数上升时，表明通货膨胀率上升，消费者的生活成本提高，货币的购买能力减弱；相反，当居民消费价格指数下降时，表明通货膨胀率下降，亦即消费者的生活成本降低，货币的购买能力增强。
居民消费价格指数的高低直接影响居民的生活水平，因此，准确的分析并及时的对居民消费价格指数做出合理的预测，对国家制定相应的经济政策，实行宏观调控，稳定物价，保证经济的增长平稳发展具有重要意义。
（二）问题的提出时间序列是指同一种现象在不同时间上的相继观察值排列而成的一组数字序列。
时间序列预测方法的基本思想是：预测一个现象的未来变化时, 用该现象的过去行为来预测未来。
居民消费价格指数的时间序列模型分析
居民消费价格指数的时间序列模型分析一、居民消费价格指数居民消费价格指数(CPI)，作为一种常用的总体价格水平指标，是反映居民购买并用于消费商品和服务项目价格水平的变化趋势和变动幅度的统计指标，用来度量消费者在购买商品和劳务时的花费。
价格稳定对于一个国家来说至关重要，一个稳健运行的市场系统要求价格能够准确、迅速地传递稀缺资源的信息，并且通过价格机制来调节资源配置。
居民消费价格指数还是衡量通货膨胀的重要指标。
研究居民消费价格指数的发展特征及其未来发展趋势，使价格水平稳定在有利于经济发展的合理水平是十分必要的。
时间序列分析就是一种根据动态数据揭示系统动态结构和规律的统计方法，其基本思想是根据系统的观测数据，建立能够比较精确地反应时间序列中所包含的动态依存关系的数学模型，并借此对系统的未来行为进行预测。
因此，由时间序列模型分析居民消费价格指数的发展变化趋势，并对短期内的居民消费价格进行预测具有重要的意义。
二、居民消费价格指数的时间序列模型分析时间序列分析是一种应用广泛的数量分析方法，它主要用于描述和探索事物随时间变化的数量规律性。
时间序列分析模型主要有ARMA 模型和ARIMA模型。
ARMA模型只能用于平稳时间序列的分析。
然而，在实际的经济和生活中绝大部分的时间序列是非平稳的，但对这些非平稳的时间序列经过差分后就会显示出平稳时间序列的性质，这时称非平稳时间序列为差分平稳时间序列。
对差分平稳时间序列可以用ARIMA模型拟合。
1．数据的收集及平稳性检验选取1996年1月～2013年11月我国居民消费价格指数为样本数据(数据来源于《中国统计年鉴》及东方财富网)，运用EViews软件对数据进行处理。
研究时间序列之前，首先要对其平稳性和随机性进行检验，目的是对平稳且非随机序列进行研究。
由图1时序图可以看出:1996～1998年居民消费价格指数大幅下降;在1998～2003年间，居民消费价格指数小幅度上下震荡;2004年至今，大幅度波动震荡。
关于居民消费价格指数的时间序列分析论文
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。
居民消费价格指数的时间序列模型分析
居民消费价格指数的时间序列模型分析标题一：研究背景与目的居民消费价格指数（CPI）是一个衡量消费者购买一定量的商品和服务时所支付的价格变动的指标。
它是一个经济学中很重要的数据，因为CPI的变化会对通货膨胀率和货币政策产生影响。
本论文旨在分析CPI的时间序列模型，以了解CPI的变化趋势及其对经济的影响。
标题二：时间序列概述时间序列是指按顺序排列的时间间隔内的数据。
在经济学中，时间序列模型是一种分析时间序列数据的方法，用于预测未来的趋势和变化。
时间序列中的变量通常具有时间相关性，因此时间序列模型可以捕捉到数据中的趋势和周期性变化。
我们将运用时间序列模型来分析CPI指数。
标题三：时间序列模型本论文采用的时间序列模型是ARIMA模型。
ARIMA是一种常用的时间序列预测模型，它可以分析数据的趋势、季节性、周期性等，以预测未来的趋势和变化。
ARIMA模型可以表示成ARIMA（p, d, q），其中p是自回归项，d是差分阶数，q 是移动平均项。
标题四：CPI的时间序列分析通过对CPI数据的时间序列分析，可以得出以下结论：1. CPI指数存在明显的季节性和周期性变化。
在经济好转时期，CPI指数通常会上升，而在经济衰退时期则会下降。
2. CPI的趋势通常是上升的，不断增长的经济条件下，CPI指数也会随之增长。
3. CPI指数受到供求关系的影响，当供给不足或需求增加时，价格也会上升。
随着供给增加或需求下降，价格也会下降。
4. CPI指数与通货膨胀率之间存在相关性。
当CPI指数上升时，通货膨胀率也会上升。
5. CPI指数可能受政府干预的影响。
政府对通货膨胀率的控制以及货币政策的实施都会影响CPI指数的变化。
标题五：CPI的影响因素分析CPI的影响因素有很多，我们从以下几个方面来分析：1.货币供应量：当货币供应量增加时，消费者购买力会增强，需求上升，价格也会上升，从而导致CPI指数上升。
2.生产成本：生产成本上升会导致生产者的价格上升，然后从生产者的价格上升反过来作用到消费者价格上升，CPI指数上升。
北京市的 CPI 时间序列分析及预测
北京市的 CPI 时间序列分析及预测
张小燕
【期刊名称】《商情》
【年(卷),期】2012(000)022
【摘要】运用 EViews 软件，根据北京市 CPI 历史数据建立了拟合程度较高的居民消费价格 ARIMA、GARCH 模型，并对 CPI 进行分析和短期预测。
结果表明，北京市场价格保持低位平稳运行，通货膨胀率低，经济稳定呈快速增长态势【总页数】3页(P80-82)
【作者】张小燕
【作者单位】北京科技大学东陵经济管理学院金融工程系
【正文语种】中文
【相关文献】
1.北京市人均GDP的时间序列分析及预测 [J], 成刚;袁佩琦;陈瑾
2.天津市CPI的时间序列分析及预测 [J], 姜弘
3.基于小波时间序列模型的CPI预测 [J], 敖希琴; 汪金婷; 郑阳; 李凡
4.基于时间序列分析的山东省CPI预测 [J], 张洋洋;邓伟;宋长钰
5.基于时间序列分析和预测云南省CPI [J], 董玉婷
因版权原因，仅展示原文概要，查看原文内容请购买。
- 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)。
T
T
T
∑ ∑ ∑ Q= u赞 t2= (yt-y赞 t)2= (yt-β赞 0-β赞 1xt)2，
i=1
i=1
i=1
鄣
T
鄣
鄣 鄣Q
鄣
∑(yt -β赞 0 -β赞 1 xt )
=2i = 1
(-1)=0
鄣鄣鄣鄣β赞 0
鄣
鄣 鄣
鄣Q 鄣
T
∑(yt -β赞 0 -β赞 1 xt )
i=1
=2 (-xt)=0 鄣
从 国 家 统 计 局 公 布 的 2006 年 1 月 到 2008 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 2008 年 1 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。
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
中 图 分 类 号 ：F126；C913
文 献 标 识 码 ：A
文 章 编 号 ：1002-6487（2009）04-0117-02
利用 Eviews 软件，得到以下：
CPI1=-10507.02+5.33year1 (-4.5474) (4.5951)
R2=0.8756 F=21.115
其中，括号中的值为回归参数的 t 检验值，常数项 C 和
解 释 变 量 year1 t 检 验 值 分 别 为-4.5474 和 4.5951， 它 们 的 t 检 验 值 的 绝 对 值 都 大 于 t0.025(17)=2.5669，说 明 都 至 少 保 证 到 了 95%的置信水平，通过 t 检验。 F=21.115，而且从回归结果
在本文中，笔者采用时间序列趋势分析方法中的最小二 乘原理进行分析，设待估计的直线用y赞 t=β赞 0+β赞 1xt 表示。 其中y赞 t 称 yt 的 拟 合 值 （fitted value），β赞 0 和β赞 1 分 别 是 β0 和 β1 的 估 计
表1 年份
1990 年 1991 年 1992 年 1993 年 1994 年 1995 年 1996 年 1997 年 1998 年
（2）对 1994~1999 年的 CPI 模型分析： 利用 Eviews 软件，得到：CPI2=10758.25-5.334year2
(7.4871) (-7.4116) R2=0.9321 F=54.933 其中，括号中的值为回归参数的 t 检验值，常数项 C 和 解释变量 year1 t 检验值分别 7.4871 和-7.4116， 它们 的 t 检 验 值 的 绝 对 值 都 大 于 t0.025(17)=2.5669，说 明 都 至 少 保 证 到 了 95%的置信水平，通过检验。 F=54.933，而且从回归结果可以 看出也至少保证到了 95%的置信水平，通过 F 检验。 另外度 量拟合优度的统计量— ——可决系数为 0.9321，说明直线拟 合 优度良好。 由回归直线可以看出，CPI 在 1994~1999 年随时间呈递 减 趋 势 ，其 原 因 主 要 是 在 1994~1999 年 间 ，由 于 我 国 通 货 膨 胀在 1994 年 达 到 顶 峰 124.1%， 而 且 在 1993 年 就 超 过 了 两 位数，已经达到非常严重的通货膨胀水平，而严重的通货膨 胀是的物价不由控制的上升不仅会增加企业的筹资及生产 成本，导致企业无法经营甚至破产，从而阻碍经济的发展，而 且货币的购买力下降会给人民的生活带来很大的困难。 因此 国家也开始关注通货膨胀问题并实行紧缩的货币政策和财 政政策来抑制通胀，而紧缩的宏观经济政策能够很好的抑制 通 货 膨 胀 ，因 此 ，CPI 在 1994~1999 年 逐 年 降 低 ，呈 现 向 下 发 展的状态。 （3）对 1999~2007 年的 CPI 模型分析： 利用 Eviews 软件，得到：CPI3=-1067.072+0.583year3
鄣鄣鄣鄣β赞 1
得到：
鄣鄣鄣β赞 0=y軃 -β赞 1x軃
鄣
鄣
軃鄣鄣β赞 1=
鄣 鄣 鄣
∑xt (yt -y軃)-∑x軃(yt ∑(xt -x軃)xt -∑x軃(xt
-y軃 ) -x軃 )
=
∑(xt -x軃)(yt -y軃) ∑(xt -x軃)2
2.2 模型分析
（1）对 1990~1994 年的 CPI 模型分析：
2008 年我国居民消费价格指数预计为 104.25%。 但是估 计 2008 实 际 的 通 货 膨 胀 率 会 比 预 测 值 略 高 ， 为 104.8%左 右，原因归结如下：
（1） 首 先 我 国 前 5 个 月 的 CPI 值 分 别 为 107.1% ， 108.7%，108.3%，108.5%和 107.7%，平均 为 108.06%，如 果 要 达到 104.25%的 预 测 值 ，那 么 接 下 来 的 7 个 月 的 平 均 CPI 应 为 101.53%，就 目 前 我 国 经 济 状 况 来 说 ，虽 然 国 家 已 经 实 行 了紧缩的货币政策，如多次上调存款准备金率、上调存贷款 基准利率、加大央行票据发行力度和频率、以特别国债开展 正回购操作甚至启动了定向央行票据和特种存款等创新型 工具。 但由于我国货币政策的传导机制不够通畅以及货币政 策效果存在时滞性等问题，使得我国的货币政策效果不尽如 人意，因此，2008 年的 CPI 预测值比实际值可能会偏低。
中国 1990~2007 年居民消费价格指数
居 民 消 费 价 格 指 数 （%）
年份
居 民 消 费 价 格 指 数 （%）
103.1
1999 年
98.6
103.4
2000 年
100.4
106.4
2001 年
100.7
114.7
2002 年
99.2
124.1
2003 年
101.2
117.1
2004 年
从月度数据来看， 预计 2008 年上半年 CPI 仍将持 续 高 位， 但是估计货币政策将在 2008 年下半年发生作用，CPI 数 据会很快下降。
根据前面的分析，可以看出目前只有应用 1999-2007 年 的模型对未来居民消费价格指数的预测才有指导意义。 由直 线 CPI3=-1067.072+0.583year3 可 以 预 测 出 2008 年 居 民 消 费 价格指数 CPI=-1067.072 +0.583333×2008= 104.25。
２ 趋势模型的选择（统计学时间数列分解模型）
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 1990~2007 年居民消费价格指数的全部数据， 见表 1。
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 1990~1994 年 、1994~1999 年 以 及 1999~2007 年 这 三 个 不 同 的经济状况下的变动情况。 下面，就详细的分析这几个阶段 CPI 的变动规律。 2.1 分析方法的选择
DOI:10.13546/ki.tjyjc.2009.04.048
经济纵横
居民消费价格指数的时间序列分析及预测
姜弘
（天津工业大学 经济学院，天津 300387）
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
(-3.1857) (3.4882) R2=0.6348 F=12.1677 其中，括号中的值为回归参数的 t 检验值，常数项 C 和 解释变量 year1 t 检验值分别-3.1857 和 3.4882， 其绝对值都 大于 t0.025(17)=2.5669，说明都至少保证到了 95%的置信水平， 通过检验。 F=12.1677，而且从回归结果可以看出也至少保证 到了 95%的置信水平，通过 F 检验。 另外度量拟合优度的统 计量— ——可决系数为 0.6348，说明直线拟合优度良好。 由回归直线可以看出，CPI 在 1999~2007 年随着时间的 增长而上升，其原因主要是在 1994~1999 年国家很好的控制 了 1993 年 和 1994 年 的 严 重 通 货 膨 胀 的 状 况 ， 甚 至 在 1998 年和 1999 年出现了轻微的通货紧缩的局面， 而通货紧缩不 也 不 利 于 经 济 的 发 展 ，于 是 1999~2006 年 间 ，我 国 采 取 稳 健 的财政政策和货币政策，经济运行很稳定，保持着高经济增 长 ，低 通 胀 的 良 好 局 面 ，然 而 2005~2006 年 中 国 股 市 的 疯 长 使得虚拟经济持续升温，投资过热问题出现，因此过快的经 济增长在 2007 年明显的显现出来，CPI 突然上升， 严重的通 胀 已 成 为 现 实 。 但 由 year3 和 year1 的 回 归 系 数 比 较 可 以 看 出 ，CPI 在 1999~2007 年 的 增 长 速 度 比 1990~1994 年 明 显 缓 慢得多，目前还没有超过两位数，属于可控范围。