| 浅析ARMA在我国GDP预测中的应用 |
|
|
|
中国论文联盟*编辑。［摘 要］本文用ARMA模型对我国1978—2007年GDP数据进行分析,并预测出未来三年的GDP数据。与实际GDP相对照模型预测误差较小,说明ARMA模型非常适合于短期预测。
［关键词］ARMA模型;GDP;时间序列
1 前 言
经济运行过程从较长时间序列看,由于市场机制的作用,呈现一定的规律,这对预测提供了依据。目前,预测经济运行时间序列的理论与方法较多,而ARMA模型在经济预测过程中既考虑了经济现象在时间序列上的依存性,又考虑了随机波动的干扰性,对经济运行短期趋势的预测准确率较高,是近年应用比较广泛的方法之一。由于国内生产总值(GDP)不仅能够在总体上度量国民产出和收入规模,也能够在整体上度量经济波动和经济周期状态,因此,对GDP进行精确的拟合和分析对分析一国的宏观经济发展趋势具有重要意义。在本文中研究中,根据ARMA模型的应用条件,选取1978年我国实行市场经济体制后的GDP序列数据进行建模分析。
2 ARMA模型简介
ARMA模型是由美国统计学家GE.P.Box和英国统计学家G.M.Jenkin在20世纪70年代提出的时序分析模型,即自回归移动平均模型。若时间序列yt为它的当前与前期的误差和随机项,以及它的前期值得线性函数,可以表示为:
3 GDP时间序列模型的建立
3.1 数据初步处理
首先对我国1978—2007年GDP数据作图观察,发现GDP随时间的增长呈指数趋势,因此对原始序列作对数处理。通过观察时间序列图,发现经对数处理所得序列具有线性趋势。
由于GDP带有很强的趋势成分,而我们的目的主要是利用ARMA模型对其周期成分进行分析,因此需要对此类的数据先进行消除趋势性的处理,然后建立ARMA模型。
3.2 ARMA模型的建模思想
3.2.1 模型的识别
模型的识别主要依赖于对相关图与偏相关图的分析。第一步,判断时间序列数据是否平稳,一般采用ADF检验(Augmented Dickey-Fuller Test)方法来判断该序列的平稳性。如果该序列为非平稳序列,这时,应对该时间序列进行差分,同时分析差分序[1] [2] [3] [4] 下一页 |
|
|
| |
|
上一个论文： 浅谈人民币国际化的条件分析
下一个论文： 经典重释之范例述评 |
|
用户登录 
新用户注册 