时间序列分析方法在居民消费价格指数预测中的应用
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。
ARIMA模型在广西消费价格指数分析与预测中的应用
（ ） 型 的预 测 及 结 果 分 析 五 模
我们利用上述 模型 Ａ Ｉ Ｒ ＭＡ（ ， ， ） 广西居 民消费 价格指 １ １ １对 数做预测 ， 得到预测值 序列 图（ 见图 ５ 。 ）
Ｌ－ ■
…
ｒ
图 ４一 阶差 分 后 的 Ｐ ＣＦ图 Ａ
观察 残差序列 函数 的 自相关图 （ ３ 与偏 自相 关图（ ４ ， 图 ） 图 ） 发现拖尾 和截尾 的现象不是很明显 ， 可知序列有很 强的短期相关 性 ，除 ｌ ２阶外其 自相关 函数与偏 自相关函数基本都在 ２倍标准 差 内， 而在 一阶以后偏相关 函数趋 于 ０并呈现拖尾性 ， 以可以 所 初步认 为一阶差分后序列平稳。 且残差序列延迟除一 、 、 、 、 二 八 九
根据上述数据 ： 预测值 与真实值的误差都 在 ３ 内， 以说 ％以 可
模型 的预测效果 比较好 。２ １ 年广西居 民消费价格指数将保持 ０１ 持续增长 ， 同比增长约 ５１％一 ．３ ． ６ ５ ％。 ７ 本文的预测结果表明 ，０ 年广 西 Ｃ Ｉ ２１ １ Ｐ 的涨幅将维持在 ５ ％
广
西
０
． 口
本文使用 时间序列分析法 ，通过 Ｓ Ｓ １． Ｐ Ｓ３ ０软件 建立求和 自 回归移动模 型（ Ｒ ＭＡ）对广西壮族 自治 区 ２ ０ Ａ Ｉ ， ０ ３年 １月到 ２ １ ００ 年 １ 的居 民消费价格指数 （ Ｐ ） ２月 Ｃ Ｉ月度数据进行计量拟合 ， 并与
其预测结 果进行 比较 ， 比较结果精准度较 高 ， 从而可 以在 短期 内 （ ０ １ ４月到 １ ） 广西居 民消费价 格指数 （ Ｐ ） 行一个 ２１ 年 ２月 对 Ｃ Ｉ进 较为准确 的预测 ， 为广西政府拟定 和实施宏 观经 济调控政策提供
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。
居民消费价格指数的分析与预测(毕业论文doc)
西南交通大学本科毕业论文居民消费价格指数的分析与预测年级:2007级学号:20075275姓名:专业:统计学指导老师:2011年 6 月毕业设计（论文）任务书班级 07统计姓名学号 20075275发题日期：2011 年 1 月 12 日完成日期： 5 月 24 日题目居民消费价格指数的分析与预测1、本论文的目的、意义在2009年过后，我国CPI指数扶摇直上，通货膨胀率也在同时不断上涨，中国面临着较大的通货膨胀压力，民众生活成本不断加重，如何跑赢CPI已经成为了白领阶层的热门话题，本文将从统计学的观点出发，用时间序列模型对CPI指数进行分析与预测，对未来经济水平的走势有一个了解，对国家经济建设有一个宏观的意识。
2、学生应完成的任务首先对居民消费价格指数以及时间序列ARIMA模型的概念和相关理论有一定深入的了解，明白本文的写作目的以及意义。
然后通过互联网收集2000年1月至2011年4月的居民消费价格指数历史数据。
对数据进行预处理，包括：直观性的图形分析和描述性统计分析，这样能够对样本有一个整体的认识，方便后期建立模型时的对数据的操作处理。
在预处理阶段对样本整体的走势作出一个分析，比如居民消费价格指数在2000年1月至2011年4月期间是如何波动的，又是什么原因造成这些波动，这些波动能够带来什么样的影响等。
将预处理之后的数据输入EViews软件，进行ARIMA模型的建模准备工作，如：平稳性分析，零均值处理等。
利用处理过之后的数据建立出几个相对拟合程度较高的ARIMA模型，并且利用软件对预测模型的分析结果来选择一个拟合程度较高的模型作为本研究的居民消费价格指数预测模型。
在确定预测模型之后，通过阅读大量的文献与预测得出的结果相结合，对2011年的居民消费价格指数的短期走势进行分析，并在分析之后给出合理性的政策建议，达到本文的写作目的：对国家的宏观经济有一个较为客观的判断与认识。
3、论文各部分内容及时间分配：（共 14 周）第一部分选题、熟悉相关概念与理论 ( 1周) 第二部分论文的内容安排，绪论部分的写作 (2 周) 第三部分数据的处理以及模型的建立，预测部分(4 周) 第四部分短期走势的分析与预测(3周) 第五部分结论、致谢的写作以及格式的修改(2周) 评阅及答辩(2 周)备注指导教师：年月日审批人：年月日西南交通大学本科毕业设计(论文) 第Ⅳ页摘要从2007年至今，中国居民消费价格指数经历了一次空前的大起大落，受多方面因素的影响，居民消费价格指数在2008年2月创下了108.5%的历史最高涨幅；在2008年下半年和2009年又迅速的跌落，并且在2009年7月降至98.2%，创下了10年来的最低记录。
我国居民消费价格指数时间序列研究
ｔ Ｓｔ ｔｓ ｉ Ｐ ｏ ． — ａ ｉｔｃ ｒ ｂ
Ａ ｕ ｍ ｅ ｔ ｄ Ｄｉｋ ｙ Ｆｕ ｌ ｒ ｔ ｓ ｔ ｔｓ ｉ 一 ９ ３ ９ ６ ０ ０ ０ ｇ ｎｅ ｃｅ － ｌ ｅ ｔ ｓ ａ ｉｔｃ ｅ ． ５ ７ １ ． ００ Ｔｅ ｔｃ ｉｉ ａ ａ ｕ ｓ １ １ ｖ ｌ ｓ ｒ ｔ １ｖ ｌ ｅ ： ｃ ｅ ｅ ５ ｌｖ ｌ ｅ ｅ １ ｌｖ ｌ ０ ｅ ｅ 一 ２ ５ ５ ８ ．８５７ 一 １ ９ ３ ８ ．４６８ 一 １ ６ ４ ５ ． １ ８０
摘 要 ：０ １ 以来， 国的居 民消 费价格 指数 不断创新 高 ， 内通 胀压 力很 大 ， ２１ 年 我 国 这主要 是 因 为 ２ ０ ０ ８年底 以来执 行 的
投 资拉 动 经 济 的 方 针 ， 得 信 贷 投 放 大 量 增 加 ， 动 性 过 剩 导 致 。 对 居 民 消 费 价 格 月 环 比 指 数 （ 月 一 ｉ ０ 时 间 序 列 进 行 使 流 上 ０） 研 究 ， 用 ＡＲ（ ） 型进 行 实证 分 析 。结 果 说 明 了本 期 居 民 消 费 价 格 月环 比指 数 受 前 ４期 居 民 消 费 价 格 月 环 比 指 数 的 影 使 Ｐ模 响 ， 且 受 上 一 期 的 影 响 最 大 。这 反 映 出 通 胀 预 期 对 居 民 消 费 价 格 的 推 动 作 用 ， 控 制 居 民 消 费 价 格 ， 定 要 改 变居 民 的 并 要 一
２ 消 费价格 指 数 时 间序 列 的特 征 分析
本 文 研 究 居 民 消 费 价 格 指 数 的 时 间 序 列 特 征 ， 实 证 从 的 角 度 研 究 居 民 消 费 价 格 指 数 ， 期 得 到 居 民 消 费 价 格 指 以 数 序 列 的 内在 关 系 。 本 文 采 用 自 ２ ０ ０ １年 １月 至 ２ １ ０ １年 ５ 月 的居 民 消 费 价 格 月 环 比指 数 进 行 实 证 研 究 。 本 文 采 用 居 民 消 费 价 格 月 环 比 指 数 。 之 所 以采 用 居 民 消 费 价 格 月 环 比 指 数 ， 为 这 更 具 有 实 际 意 义 。 如 果 使 用 因 同 比增 长 数 据 ， 么 两 个 数 据 之 间 相 差 １ 那 ２个 月 ， 样 的 比 这 较 不 具 有 实 时 意 义 。 目前 居 民 消 费 价 格 变 化 很 快 ， 民 也 居 更 看 重 价 格 的 近 期 涨 幅 ， 不 会 关 注 现 在 的 消 费 价 格 与 上 而
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。
天津市CPI的时间序列分析及预测
天津市ＣＰＩ的时间序列分析及预测2007年7月至2008年这段时间，我国居民消费价格呈线性增长的态势，涨幅一直维持在5%以上，形成通胀压力。
本文先分析了天津市CPI指数的现状以及天津市CPI变动的影响因素，然后根据相关数据运用最小二乘法和Eviews 软件进行了模型分析，最后利用趋势外推法对天津市的CPI进行了预测。
关键词：CPI 预测通货膨胀货币政策居民消费价格指数（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。
其通常的算法是：上年同月为100，意为某产品本月价格与上年同月价格相比。
它是通过一组代表性消费品及服务项目随着时间的变动，反映在居民家庭购买消费品及服务价格水平变动情况的相对数。
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。
天津市CPI指数的现状随着全国CPI数据的变动，作为主要大直辖市之一的天津市的居民消费价格指数的数据也呈现有类似但又有差别的变动，参见表1和图1。
从以上数据可以看出我国正处于通货膨胀期，从2007年3月开始就超过3%的警戒线，然而从2007年7月开始至2008年，更是每月都超过5%的严重通货膨胀的警戒线。
我国政府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。
在2008年5月以来已见成效连续三个月下降而且天津市CPI在2008年7月下降明显——自2007年7月以来首次低于5%。
时间序列分解实验报告
一、实验目的本实验旨在通过时间序列分解的方法，分析某一经济指标（如某城市月度居民消费价格指数CPI）的变化规律，并对未来一段时间内的CPI进行预测。
通过本次实验，我们能够掌握时间序列分解的基本原理和步骤，以及如何运用时间序列分析方法解决实际问题。
二、实验数据实验数据为某城市1980年1月至2020年12月的月度居民消费价格指数（CPI），共计241个数据点。
数据来源于国家统计局。
三、实验步骤1. 数据预处理首先，对实验数据进行可视化，观察数据的基本特征，如趋势、季节性等。
通过观察时序图，发现CPI数据存在明显的上升趋势和季节性波动。
2. 时间序列分解采用STL（Seasonal-Trend decomposition using Loess）方法对CPI数据进行分解。
STL方法可以将时间序列分解为趋势（T）、季节性（S）和残差（R）三个部分。
（1）季节性分解首先，对CPI数据进行季节性分解，提取季节性成分。
通过观察季节性成分图，发现CPI数据存在明显的季节性波动，每年1月、7月和12月为高峰期，4月和10月为低谷期。
（2）趋势分解接下来，对CPI数据进行趋势分解，提取趋势成分。
通过观察趋势成分图，发现CPI数据呈现出明显的上升趋势。
（3）残差分解最后，对CPI数据进行残差分解，提取残差成分。
残差成分表示去除季节性和趋势后的随机波动。
3. 预测根据分解后的趋势和季节性成分，对未来一段时间内的CPI进行预测。
采用ARIMA 模型（自回归移动平均模型）进行预测，根据AIC（赤池信息量准则）选择合适的模型参数。
4. 结果分析通过对比实际值与预测值，评估预测模型的准确性。
计算均方误差（MSE）和均方根误差（RMSE）等指标，以衡量预测误差。
四、实验结果1. 时间序列分解结果（1）季节性成分图（2）趋势成分图（3）残差成分图2. 预测结果（1）预测值与实际值对比图（2）预测误差分析MSE：0.0135RMSE：0.1166五、实验结论1. 通过时间序列分解，成功提取了CPI数据的趋势、季节性和残差成分，揭示了CPI变化的内在规律。
基于ARMA模型对我国居民消费价格指数的预测分析
基于ARMA模型对我国居民消费价格指数的预测分析摘要：本文运用arma模型对我国1990年-2012年的cpi数据进行实证分析，利用r软件建立了反映cpi变化较优的统计预测模型，对未来一年的cpi的变化趋势进行了预测分析。
结果显示，未来一年内 cpi 综合预测平均值为102.9，稳中稍落。
最后，分析原因并提出建议。
关键词：arma模型；居民消费价格指数
一前言
居民消费价格指数（cpi），是衡量居民购买消费品和服务价格变动的指数，通常作为观察通货膨胀水平的重要指标，与居民生活消费的关系最为密切。
cpi一直是经济界研究的热点，其预测方法可分为定性分析和定量分析两类。
其中定量分析包括时间序列法和神经网络法。
时间序列法是把cpi看成时序，建立arma或arima进行预测，如张鸣芳等人应用x-12-arima季节调整方法对上海市cpi序列进行季节调整、分析预测；神经网络法可以逼近任何非线性映射关系，从而求得问题的解答，如娄晶、赵黎明用神经网络中的bp网络建立了烟草类消费价格指数预测模型。
本文则是在r软件的基础上利用arma 模型进行预测。
二模型介绍及数据来源
arma（p，q）模型，即自回归移动平均模型，是一类常用的单变量平稳时间序列模型，是自回归模型ar（p）和移动平均模型ma
（q）的组合，用于描述平稳随机过程。
时间序列分析在中国城镇居民消费水平中的应用
Ｄ。 一 一 ０ ２ ７ ｔ 】 ０ １ ５ Ｚ ２＋ ． ３ Ｄ。 ｙ ＋ ． ９ Ｄ。ｙ
其 进行 二阶 差分使 其平 稳 ． ＡＤ 其 Ｆ检验 如表 １ ． 都 小 于 １ ， ， Ｏ 的 临 界 值 ， 以 该 二 阶 差 分 ％ ５ １ 所
１ ２ 时 间序 列模 型 的 建 立 ．
水平 的值 进行 建 模 ， 其 作 为 时 间序 列 ， 立 预 测 将 建 模 型． 为了验 证模 型 的正确 性 ， １ ５ —２ ０ 把 ９ ２ ０ ７年 的 数据 参与 建 模 ， ０ ８年 的值 用 于检 验 模 型 的拟 合 ２０ 效果 ， 后 进 行 ２ ０ —２ １ 最 ０ ９ ０ １年 的预 测 （ 据来 源 ： 数 中国经济信 息 网综合 年 度库 ） ．
型 ， 用 该模 型 对 当前 值 和 未 来 值 作 出预 测 ， 到 误 差 较 小 、 期 预 测 较 为 满 意 的结 果 ． 并 得 短
关 键 词 ：时 间 序 列 分 析 ； 镇 居 民 消 费 水 平 ； ＭＡ 模 型 ； 测 城 ＡＲ 预
中 图 分 类 号 ： １． １Ｔ １ ４ ０２ １ ６ ； Ｂ １ 文献标志码 ： Ａ 文 章 编 号 ：１ ７ —９ ７ （ ０ １ ０ — ０ ７ ２ ６ １ ４ ６ ２ １ ） ２ ０ ３ —０
３ ８
周 口师范学 院学 报
２１ ０ １年 ３月
从 图 ３可 以看 出残 差 对 应 的பைடு நூலகம்自相 关 和偏 自相
Ａ Ｏ ａ Ｉ
Ｉ Ｉ 暖 ｌ 图 Ｉ Ｉ ｌ Ｉ
ｐ ａ ｃ ｒ ｌｔ ｎ ｌ ｏｒ ａｏ ｅ ｉ
Ｉ ｌ 匿 Ｉ Ｉ 霹 Ｉ ｌ Ｉ ｌ Ｅ Ｉ Ｉ Ｉ 匿 １ ｆ Ｉ Ｉ 圈
ARIMA模型在居民消费价格指数预测中的应用
回归多项式， 为白噪声序列 。 实际中得到的数据 常常是非平稳的， 但对非平稳原序列进行差分后 可以得到平稳序列 ， 以常用 的模型为 所 ＝
，
型都 可 以用来 预 测 Ｃ Ｉ 比如 说线 性 回归模 型 Ｐ， Ｌ Ｍ， Ｒ 该模型只能拟合 预测数据呈线性趋 势的情
况， 对数据呈非线 性的情况基本无效。还有 Ａ — Ｒ
第３ １卷第 ２期 ２ １ 年 ４月 ０１
黄
冈
师
范
学
院
学
报
Ｖｏ ． ． １３ｌＮｏ ２ Ａ ｒ２ １ ｐ．０ １
Ｊ ｕ ａ ｆＨｕ ｎ ｇ ｎ ｏｍａ ｉｅｓｔ ｏ ｒｌ ｏ ａ ｇ ａ ｇＮ ｒ ｌＵｎｖ ｒｉ ｎ ｙ
Ａ Ｉ Ａ模型在居 民消 费价格 指数预测 中的应 用 ＲＭ
３
Ｃ ｖ￣ ａｒ ｅ ｏ ｒＩ ｔ ￣ ０ ５ ０Ｉ ． Ｓ加
口 ０４ ５ ．６ ７７
０． ７ ９１ ０ ６６ ０． ０２ ６ １ ８ ０
ｆ 柑 － ｌ畔 ． ｝
Ａ Ｃ Ｏ２６２ ．８ Ｏ ００ ４ ． ０１ ３
—０ Ｏ１ ２ ． ８５
Ｐ ＡＣ ０２６２ ．８ ０
下：
Ｉ＝４ ， ０＋４ ｘ— ， Ｉ １ Ｉ＋… ＋咖 戈 ＋占 一 ｐ卜 Ｉ
０１ — ８Ｉｌ… ・一 Ｏ ｅＩｑ ｑ —
引进延迟算子 ， Ｍ （ ，） Ａ Ａ ｐｑ 模型简记为： Ｒ
薪 Ｂ ｆ）ｔ
其中 （ ）＝１ 咖 Ｂ一 ・ Ｂ 为Ｐ阶 自回归 Ｂ 一 。 一 ｐ 系数多项式 ， Ｂ （ ）＝１ ０Ｂ一 ・ Ｂ 为 ｑ自 —１ 一
辛海明
（ 中山大学 新华学 院， 广东 广州 ５０２ ） １５０ 摘 要 ： 以我国 ２０ ～ ０９ 本文 ０１ ２０ 年月季度 的消费价格指数 为例 ， 过 Ｓ Ｓ 通 Ａ 软件 对 Ａ Ｉ Ａ模 型进行 拟合 ＲＭ
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。
陕西省居民消费价格指数预测
陕西省居民消费价格指数预测一、引言居民消费价格指数（CPI）是反映一定时期内居民家庭消费品和服务项目价格变动情况的综合指数。
作为衡量通货膨胀水平和居民生活水平的重要指标，CPI的变动对于居民生活和国民经济发展都具有重要的意义。
对于CPI的预测具有一定的理论和现实意义。
陕西省是中国西部地区的一个重要省份，经济发展较快，居民消费水平逐渐提高。
对于陕西省的居民消费价格指数的预测对于监管通货膨胀、指导政府政策具有重要意义。
本文将基于陕西省的CPI数据，运用统计方法和经济模型，对陕西省未来一段时间内的CPI进行预测分析。
二、数据来源与分析方法1. 数据来源本文所用数据来自国家统计局提供的陕西省CPI数据。
数据涵盖了近几年的CPI指数，包括各种消费品的价格指数以及整体CPI指数。
2. 分析方法本文将运用时间序列分析法和经济模型两种方法对陕西省CPI进行预测。
时间序列分析法将对历史CPI数据进行分析，包括趋势分析、季节性分析等，用来预测未来一段时间内的CPI变动趋势。
经济模型将建立CPI与其他宏观经济指标之间的关系，通过多元回归分析得出CPI的预测结果。
三、CPI预测结果1. 时间序列分析法首先对陕西省历史CPI数据进行时间序列分析，得出如下结论：（1）CPI存在明显的季节性变动，一般在春节前后及国庆假期后CPI指数会有所上涨，其他时间相对平稳。
（2）长期趋势上，陕西省CPI呈现逐年上升的态势，增速逐渐加快。
这与陕西省经济发展和通货膨胀情况相符。
基于上述分析结果，采用时间序列分析法对未来一段时间内的CPI变动进行预测。
预测结果显示，未来一段时间内，陕西省CPI将继续上升，增速相对较快。
特别是在春节前后及国庆假期后，CPI指数将有所上涨。
2. 经济模型预测经济模型预测结果显示，未来一段时间内，陕西省CPI将受到通货膨胀预期和货币供应量的双重影响，呈现逐年上涨的趋势。
尤其是在经济增长比较快的时期，CPI指数将有所上涨。
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。
《2024年居民消费的定量研究——方法与应用》范文
《居民消费的定量研究——方法与应用》篇一一、引言随着中国经济的持续发展和人民生活水平的不断提高，居民消费行为的研究逐渐成为经济学、社会学和市场营销学等领域的重要研究课题。
本文旨在探讨居民消费的定量研究方法及其应用，通过分析相关数据，揭示居民消费的规律和特点，为政策制定和商业决策提供科学依据。
二、研究方法1. 数据来源本研究采用的数据主要来源于国家统计局发布的居民消费数据、各大银行和支付平台的消费数据以及网络调查数据等。
这些数据具有广泛性和代表性，能够全面反映居民消费的实际情况。
2. 定量研究方法（1）描述性统计分析：通过描述性统计分析，对居民消费的总体情况、结构特点和变化趋势进行描述。
（2）因子分析和聚类分析：运用因子分析和聚类分析方法，探讨影响居民消费的各种因素，以及不同消费群体的特征和消费行为差异。
（3）时间序列分析和横截面分析：采用时间序列分析和横截面分析方法，对居民消费的长期趋势和短期波动进行分析，揭示消费的周期性和季节性特点。
（4）计量经济模型：建立计量经济模型，对居民消费的影响因素进行定量分析，预测未来消费趋势。
三、应用领域1. 政策制定通过定量研究方法，可以揭示居民消费的规律和特点，为政府制定相关政策提供科学依据。
例如，根据居民消费结构和变化趋势，制定合理的税收政策、社会保障政策和消费刺激政策等，促进消费升级和经济发展。
2. 商业决策企业可以通过定量研究方法，了解消费者的需求和偏好，把握市场趋势，制定科学的营销策略。
例如，通过分析消费者的购买行为、消费心理和购买力等因素，确定目标市场和定位，制定针对性的产品策略、价格策略和促销策略等。
3. 社会调查定量研究方法还可以应用于社会调查领域，对居民的生活质量、幸福感和社会问题等进行研究。
例如，通过调查居民的消费水平、消费结构和消费满意度等方面，了解居民的生活质量和幸福感，为政府和社会组织提供改进社会服务和提高生活质量的依据。
四、案例分析以某城市居民消费为例，采用上述定量研究方法，对该城市居民的消费行为进行深入研究。
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。
中国CPI指数的时间序列分析
Xt=Tt+St+Rt，t=1 ，2 ，… ① 其 中 ， {Tt} 是 趋 势 项 ， {St} 是 季 节 项 ， {Rt} 是随机项 。
通 常 认 为 趋 势 项 {Tt}={T （t ）} 是 时 间
CPI 指 数 进 行 拟 合 、 预 测 分 析 ， 得 到 了 较
好的效果。 关 键 词 ：CPI 指 数 ； 时 间 序 列 ；ARI-
自相关 。 自 相关程 度 由 自 相 关 系 数 γk 度 量 ， 表示时间序列中相隔 k 期 的观测值 之
xt， 在给 定 xt-1，xt-2， …，xt-k+1 的 条 件 下 ，xt 与 xt-k 之间的条件相关关系 。 其相关程度 用偏自相关系数 覬kk 度量 ， 有 -1≤覬kk≤1 。
内外的学者将其运用于经济 、 旅游 、 能源 、 医 学 、环 境 等 许 多 领 域 ，出 现 了 一 批 较 好 的 成 果 。 以 每 月 的 CPI 指 数 构 成 CPI 指 数序列， 运用时间序列的建模方法对该
都 表 现 出 趋 势 性 、季 节 性 和 随 机 性 ，或 者 只表现出三者中的其二或 其一 。 这样 ， 可 以认为每个时间序列 ， 或经过适当 的函数 变换的时间序列 ， 都可以分解 成 3 个部分 的叠加 。
CPI N 230
2008 年 4 月 份 中 国 居 民 消 费 价 格 指 数 （CPI）同比上涨 8.5% ， 为 12 年以来的新 高 ，超过了 1996 年 7 月份创下的高点 。 然 而 ，由于受全球性的金融危机的影响 ，2008 年 8 月份开始 ，CPI 指数一路下滑 ，到 2009 年 4 月份 ， 更是出现了连续 3 个月的同比 负增长 。 从 2008 年 4 月份的同比上涨 8.5% 到 2009 年 4 月份的同比下降 1.5%， 短短 1 年时间 ，CPI 指数如此大幅的波动 ， 引发了
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。
- 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)。
2 模型预测
首先 , 为检验模型 预测 的效 果 , 特将我 国 2007年 11月份的居民消费价格指数的实际观测 值留出 , 作为评价预测精度的参照对象 。
再利用建 立的 AR IM A ( 1, 1, 1) ( 1, 1, 1) 12 模 型对 11月份的 CP I指数进行预测 , 将建模的样 本期扩展为 2004年 1月至 2008年 2月 , 通过运 行 Eview s软件可以直接得到数据的短期预测值 , 预测出我国 2007年 11月份的居民消费价格指数 为 106. 87,与实际值基本吻合 (见表 4 ) 。同时还 给出了 12月份以及 2008年年初的 CP I指数预测 值。
φ 1
yt-
1
+φ2 yt- 2
+ … +φp yt- p
+
et
-
θ 1
et -
1
-
θ 2
et -
2
-
… - θ eq t- q
其中 yt =φ1 yt- 1 +φ2 yt- 2 + … +φp yt- p + et 为 p 阶
自回归序列 , 记作 AR (p )
,
待估参数
φ 1
,φ2
,
…,
φ p
称为自回归系数
(1)对任意时间 t, 其均值恒为常数 ; (2)对任意时间 t和 s, 其自相关系数只与时 间间隔 t - s有关 , 而与 t和 s的起始点无关 。 这样时间序列 yt 的统计特征不随时间推移 而变化 , 称为平稳时间序列 。
建立平稳时间序列 yt 的 ARMA 模型 , 其具 体形式如下
yt
=
·30·
洛阳师范学院学报 2008年第 2期
表 1 中国 2004年 - 2007年居民消费价格指数 (上年同月 = 100)
年度
1月
2月
3月
4月
5月
6月
7月
8月
9月
10月
2004 103. 2 102. 1 103 103. 8 104. 4 105 105. 3 105. 3 105. 2 104. 3
Abstract: B ased on the examp le of consumer p rice index between 2004 - 2007, mathematic model was estab2 lished w ith time series analysis method in Eview s software and the law of CP I statistic data was demonstrated. The p rediction about Consum er Price Index is corresponding w ith the reality in short2run and the model is ef2 fec tive. Key words: tim e series; Eview s software; consumer p rice index; ARMA model
格指数的数据为例建立模型进行检验 。
首先在 Eview s软件中建立工作文件 , 将表
1中 2004年 - 2007年居民消费价格指数的数
据绘制成时序图 (见图 1 ) 。序列具有一定的趋
势 , 并且由序列的自相关图可知序列是非平稳
的。
© 1994-2009 China Academic Journal Electronic Publishing House. All rights reserved.
0. 044
0. 031
5 0. 150
0. 160 10 0. 116
0. 094
( p, q) (2, 2) (2, 1) (1, 2) (1, 1)
φ 1
0. 789 - 0. 714 - 0. 292 - 0. 070
φ 2
0. 125 0. 052
-
表 3 各模型参数估计及检验结果
Φ
θ
θ
Θ
11月 102. 8 101. 3 101. 9
12月 102. 4 101. 6 102. 8
图 1 居民消费价格指数一阶差分后时序图 图 2 居民消费价格指数时序图
图 3 居民消费价格指数季节差分后时序图
由表 2可知 , 自相关系数和偏自相关系数在 二阶以后基本接近于零 , 并由序列的自相关与偏 相关分析图看出系数均落在随机区间以内 。从而 对以下几种符合平稳且可逆条件的模型进行参数 的初步估计 。
App lica tio n o f Tim e S e rie A na lys is M e tho d in Co n sum e r P rice Inde x P re d ic tio n
ZHANG L i, N IU Hui2fang (College of M athem atics Science, Luoyang Normal University, Luoyang 471022, China)
表 4 模型的预测结果
时间 预测值 实际值 2007年 11月 106. 87 106. 9 2007年 12月 107. 37 —
时间 预测值 实际值 2008年 1月 107. 22 — 2008年 2月 107. 06 —
随着时间的推进 , 可以根据观测的实际值进 一步修正模型对 12 月份以后的预测 , 得到精确 度更高的预测值 。
3 结 论
预测值的相对误差比较小 , 可见模型的效果 很好 。因此 , 应用时间序列分析的方法对居民消 费价格指数 ( 2004 年 - 2007 年 ) 的变化建立模 型 , 可以很好地模拟和预测价格指数 CP I的变化 规律 , 对数据的预报有一定的参考价值 。
参考文献
[ 1 ] 易丹辉. 数据分析与 Eview s应用 [M ]. 北京 : 中国 统计出版社 , 2002: 106 - 132.
表 2 自相关函数与偏相关函数的数据统计
K
AC
PAC
K
AC
PAC
1 0. 097
0. 097
6 - 0. 014 - 0. 051
2 - 0. 029 - 0. 039 7 - 0. 083 - 0. 066
3 0. 005
0. 012
8
0. 104
0. 117
4 - 0. 039 - 0. 042 9
2005 101. 9 103. 9 102. 7 101. 8 101. 8 101. 6 101. 8 101. 3 100. 9 101. 2
2006 101. 9 100. 9 100. 8 2007 102. 2 102. 7 103. 3 数据来源 : 中国国家统计局网站
101. 2 103
1 模型的建立
时间序列是按时间顺序取得的一系列数据 , 时间序列分析方法有很多 , 本文主要讨论 ARMA 模型即自回归移动平均模型的方法 。ARMA 模型 是一类常用的随机时序模型 , 由博克斯 (Box) 、 詹金斯 (Jenkins)创立 , 简称 B - J方法 。
在 B - J 方法中 , 只有平稳的时间序列才能 直接建立 ARMA 模型 , 这就要求时间序列 yt 满 足 [1] :
A IC 0. 839 0. 879 0. 885 0. 803
SC 1. 192 1. 128 1. 134 1. 002
© 1994-2009 China Academic Journal Electronic Publishing House. All rights reserved.
[ 2 ] 郝冉. 居民存款余额的时间序列分析 [ J ]. 统计与决 策 , 2007, (19) : 92 - 94.
[ 3 ] 顾海燕. 时间序列分析在人口预测问题中的应用 [ J ]. 黑龙江工程学院学报 , 2007, (9) : 69 - 71.
[ 4 ] 张鹤. 时间序列分析方法在粮食价格指数分析中的 应用 [ J ]. 统计与决策 , 2004, (9) : 32 - 34.
列则通过差分消除趋势 ;
(2)判断序列是否具有季节性 , 若序列具有
季节波动 , 则通过季节差分消除季节性 ;
(3)对序列进行自相关与偏自相关分析 , 确
定阶数 p、q建立 ARMA (p , q)模型 ;
(4)对 ARMA 模型的适合性进行检验 , 即对
残差序列进行白噪声检验 。
下面将以我国 2004年 - 2007年居民消费价
1
1
2
1
- 0. 365 - 0. 164 - 0. 831 - 0. 887
- 0. 866 - 0. 227
-
- 0. 941
- 0. 405 1. 089
0. 206
- 0. 904
- 0. 398 - 0. 839
-
- 0. 902
R2 0. 790 0. 787 0. 784 0. 794
洛阳师范学院学报 2008年第 2期
·31·
根据表 3 中调整后的样本决定系数 R2 , 以 及 A IC准则 、SC 准则 , 考察模型的整体拟合效 果 , 力求简洁 、有效 。模型 ARM A ( 1, 1) 的 A IC和 SC值较小 , 并且对于拟合的季节时间序列模型 进行残差的随机性检验 , 接近白噪声序列 [ 4 ] , 所 以最终 确 定 改 进 后 的 AR IM A ( 1, 1, 1) ( 1, 1, 1) 12 模型为时间序列 yt 的最佳预测模型 : ( 1 + 0. 398B 12 ) ( 1 + 0. 07B ) ( 1 - B ) ( 1 - B 12 ) yt = ( 1 + 0. 839B ) ( 1 + 0. 902B 12 ) et