论文时间序列分析在我国GDP预测中应用是关于对写作时间序列论文范文与课题研究的大学硕士、相关本科毕业论文时间序列模型论文开题报告范文和相关文献综述及职称论文参考文献资料下载有帮助。
【摘 要】GDP是反映一国经济增长、经济规模、人均经济发展水平、经济结构和价格总水平变化的一个基础性指标,而且也为国家和地区在部署战略方针和制定宏观经济政策上提供了一种参考和依据.改革开放后,中国的经济实力不断提高,GDP连年增长,并呈现一定规律.如果可以准确地预测未来中国之后几年的GDP,将为国家的宏观调控工作提供巨大帮助.本文基于时间序列分析理论,以我国1986年～2016年国内生产总值为基础,利用EViews8.0软件,对数据进行拟合分析,建立模型,并利用所建模型对我国未来三年的GDP作出预测.
【关键词】时间序列 GDP ARMA模型 ARIMA模型
一、引言
GDP是指国民生产总值,它指的是,一定时期内,一个国家地区生产活动的最终结果.它不仅能够反映经济变化的情况,还可以计算经济周期,为更好的衡量、预测经济的发展状况提供了重要支持.对于GDP的预测,可以更加清楚地了解到未来经济的走势和发展状态,因此,GDP的准确预测和分析具有重要作用.
时间序列分析是一种动态的,用于处理数据的统计学方法.它根据观测到的按时间排序的数据,在曲线拟合和参数估计的理论支持下,建立相关的数学模型,来预测未来的发展状况.时间序列分析既要承认事物发展具有延续性,根据旧数据,能预测出事物的发展趋势.也要考虑事物发展具有随机性,所有事物的发展都会受到偶然因素的影响,鉴于此,我们应该采用加权平均法来处理数据.加权平均法简单易操作,但是它的准确性不高,因此一般只用在短期预测之中.本文将时间序列分析法用到我国GDP预测中,建立相对应的时间序列模型,预测我国GDP未来趋势,为我国更有效地调控宏观经济和制定决策提供理论支持.
二、我国GDP的ARMA模型的建立
(一)平稳性检验
利用ARMA模型,对我国1986～2016年的GDP数据进行建模分析,利用得到的模型对接下来的三年我国GDP数值进行预测,将2015年和2016年两年的GDP作为对照,以验证预测效果.
首先,利用原始数据绘制时间序列图,通过图像可知,我国GDP存在明显上升趋势,并且原始序列是非平稳的.对原始数据进行单位根验证,ADF检验显示该时间序列是单位根过程,为非平稳时间序列.
只有平稳的时间序列才可以进行分析,对数据的平稳化处理可以有两种方法进行选择：对数法和差分法.选择一种处理方法使数据平稳化,便于对数据的进一步分析预测.
(二)平稳化处理
平稳化处理为了检验模型的预测效果,本文把1986～2014年作为模型的样本期,把2015～2016年的观测值做为检测的参照对象.对具有指数增长趋势的时间数据取对数,将其化为线性趋势,再进行差分处理,消除数据的线性趋势.具体步骤如下：先对我国GDP数据取对数.取完对数的序列具有明显的上升趋势,进行单位根检验之后发现该序列还是非平稳的,这样我们就可以用低阶差分方法来提取曲线趋势的影响,进行完一阶和二阶差分,再验证它的平稳性,结果如下：DY是GDP的一阶差分值,DZ是GDP的二阶差分值.我们可以看出一阶差分之后的数据是非平稳的,结果表明T统计量大于1%、5%和10%下的检验值,而且概率p值大于0.05,因此我们可以得出结论：差分之后的数据序列是非平稳的.鉴于此,我们还要进行差分,差分之后进行检验,最后进行平稳化检验,结果表明该序列是平稳的.最后对数据进行单位根检验,由结果可知,二阶差分序列在1%的水平下应该拒绝原假设,其P值<0.05,因此该二阶差分序列是平稳的,即GDP序列是二阶平稳序列.
三、我国GDP时间序列模型的建立
我们的数据组成的是一元时间序列,建立模型的目的是通过其历史值和当前值的随机变化对其接下来的变化进行预测.对于时间序列的预测,我们首先要找到最合适的预测模型,它应和数据的拟合效果最好.因此,差分阶数的确定以及对参数的估计是预测工作的关键所在.
(一)模型识别
通过样本的自相关和偏自相关函数可以完成对ARMA模型的识别和定阶工作.二阶差分后的Ln（GDP）自相关和偏自相关函数有利于帮助我们更好地进行模型的选择.
经过二阶差分,由Ln（GDP）的ACF和PACF分析,可知P为2,Q可选择2,4或者5,由于是二次差分d等于2,所以有ARIMA（2,2,2）,ARIMA（2,2,4）,ARIMA（2,2,5）三个模型.
(二)模型选择
经过分析,在所有ARIMA模型中,ARIMA（2,2,5）模型的AIC值和SC值最小,R2值最大,所以,选择ARIMA（2,2,5）模型最合适.
经分析可知,AR（2）是一个不显著变量,应该将其剔除,但整体的拟合程度对于ARIMA模型而言是比较重要的,再结合AIC和SC的准则,ARIMA（2,2,5）具体的拟合结果如下：
(三)模型检验
为确保模型是准确的,需进一步利用模型的残差进行相关性检验,利用软件Eviews8.0对ARIMA（2,2,5）的残差序列进行相关性检验.从检验结果可看出,残差序列的样本自相关函数都在95%的置信区间以内,AC值和PAC值都趋近于0,是白噪声序列,所以不可以拒绝原假设,因此认为模型ARIMA（2,2,5）估计结果的残差序列中不存在自相关.即可以利用该模型进行预测.
(四)我国GDP短期预测及分析
通过验证2015年和2016年的GDP数值,预测值和实际值的相对误差都不超过2%,说明预测结果良好.于是,我们得出2017年～2019年我国GDP预测数值.
四、结论
利用基于时间序列分析的ARMA模型进行预测,本质上就是通过对于社会经济发展变化过程的研究分析,得到社会经济发展变化的量变规律性,从而预测可见未来的经济状况的过程.在预测的时候可以不用考慮其他因素的影响,只从序列本身出发,建立对应相关的模型进行预测,这种方法从根本上避免了寻找主要因素以及识别是主要因素还是次要因素的问题；同回归分析相比,这种方法也避免了寻找因果模型中对随机扰动项的限定条件在经济实践中难以满足的矛盾.这些也是ARMA模型预测方法同其他预测方法相比的优越性所在.
本文先从收集的序列入手,接着进行检验,然后利用差分对其进行平稳化处理,随之得到待选的三个ARIMA模型,通过对三个ARIMA模型相关数据的比对,选出最优模型并对其进行检验,最后是预测阶段,将得出的预测值和实际值对比,观测预测效果并进行分析,最终得到2017年～2019年的我国GDP预测值.
参考文献
[1]魏宁.时间序列分析方法研究及其在陕西省GDP预测中的应用[D].西北农林科技大学,2010.
[2]李莹.时间序列分析在山东省GDP预测中的应用研究[D].山东大学,2011.
[3]崔博.过程神经网络在GDP预测中的应用研究[D].哈尔滨商业大学,2011.
[4]李小飞.基于自组织数据挖掘的GDP预测研究[D].浙江工商大学,2011.
[5]王淑花.基于时间序列模型的组合预测模型研究[D].燕山大学,2011.
[6]蒋和.基于ARMA模型的恩格尔系数的分析和预测[J].理论经济学,2013,（08）：133-135.
[7]陈瑶,程毛林.ARIMA模型在居民消费价格指数预测中的应用[J].苏州科技学院学报,2014,（04）：26-30.
总结:本文是一篇关于时间序列论文范文，可作为相关选题参考,和写作参考文献。
参考文献：
1、 基于ARIMA模型青岛市大蒜价格时间序列预测分析 摘要：以青岛市2012年1月至2016年11月共237周的大蒜价格为样本数据，运用SPSS 17 0软件进行统计分析，建立ARIMA（1，2，1。
2、 基于时间序列的风速和风功率预测 摘要：短期的风速和风功率预测对风场的运行及并网发电是非常重要的。采用时间序列方法，通过Matlab 编程，建立了ARIMA和SARIMA预测模型。
3、 基于EEMD技术在电力信息安全中的多步时间序列预测方法 摘 要： 针对用户访问轨迹的数据特征，提出一种基于EEMD技术的多步时间序列预测模型。该模型利用了集合经验模态分解EEMD结合极限学习机ELM模。
4、 会计盈余对GDP预测价值文献综述 【摘要】现有关于会计盈余有用性的研究把重点放在微观层面上，鲜有宏观层面的探讨。因此，本文针对会计盈余与经济增长之间的关系，概括了目前关于会计盈余。
5、 安徽省城市化水平时间序列分析 【摘要】城镇化是农业人口转化为城市人口的过程，即以农村人口不断向城市迁移和聚集为特征的一种历史过程 文章分析了我省城市化水平的现状，并利用了从2。
6、 金融时间序列指标判别框架特质波动率为例 摘 要：基于拐点集合判别的TBUD方法主要思路是分析拐点集合间的关系，并在高维空间进行划分，从而搭建判别模型，并将分析框架应用在特质波动率等若干。