毕业论文

打赏
当前位置: 毕业论文 > 数学论文 >

ARIMA模型在宏观经济中的应用(2)

时间:2020-08-28 09:52来源:毕业论文
1.2 模型简介源.自|751,:论`文网www.751com.cn 模型全称为差分自回归移动平均模型( ),是由博克思(Box)和詹金斯(Jenkins)于20世纪70年代初提出的著名时间序列预测

1.2  模型简介源.自|751,:论`文'网www.751com.cn

 模型全称为差分自回归移动平均模型( ),是由博克思(Box)和詹金斯(Jenkins)于20世纪70年代初提出的著名时间序列预测方法。其中 被称为差分自回归移动平均模型, 表示自回归, 表示自回归项数; 是移动平均, 为移动平均项数, 是时间序列成为平稳时所做的差分次数。它是一种以时间序列的自相关分析为基础的精度较高的时间序列短期预测方法。 模型在经济预测过程中不仅考虑了经济现象在时间序列上的依存性,而且考虑了随机波动的干扰性,对于经济运行短期趋势的预测准确率较高,是在统计预测中应用比较广泛的方法之一。它主要试图解决以下两个方面的问题:一是在对时间序列分析的基础上,预测时候选择适当的模型;二是分析时间序列的随机性、季度性和平稳性。本文通过应用时间序列分析和预测的方法,建立了国内生产总值( )的 模型,并进行了简单的预测,取得了令人满意的效果。

 模型的基本思想是:将预测对象随时间不同而形成的数据序列视为一个随机时间序列,用一定的数学经济模型来近似的描述这个时间序列。这个时间序列模型一旦被识别后,可以实现从时间序列的过去值及现在值的数据来预测未来值。 模型的基本程序主要是:(1)对序列的平稳性进行识别,主要是根据时间序列的散点图、偏自相关函数图和自相关函数,然后以 单位根检验数据的方差、数据的趋势及其数据季节性规律,。一般来讲,对于经济运行的时间序列,一般不是平稳序列的数据。(2)如果数据序列是非平稳的数据,则需要对非平稳的序列数据进行常规的平稳化处理,有时数据存在一定的下降或者增长的趋势,则需要对数据进行多次或者一次差分处理,如果数据存在明显的异方差,则需对数据进行相关的技术处理,直到处理后的数据的偏相关函数值以及自相关函数值无显著地不等于零。(3)建立相应的模型,主要是根据时间序列模型的相关的识别规则来进行判断。如果平稳数据序列的偏相关函数是明显拖尾的,而自相关函数是明显截尾的,则可断定数据序列是适合 模型的;如果平稳数据序列的偏相关函数是明显截尾的,而自相关函数是明显拖尾的,可断定序列数据是适合 模型的;如果平稳序列的偏相关函数和自相关函数均是拖尾的,则序列适合 模型。(4)检验其是否具有统计意义,主要是对进行参数估计(5)诊断残差序列是否为白噪声,通过假设检验判断。(6)利用已通过检验的模型进行预测分析。

ARIMA模型在宏观经济中的应用(2):http://www.751com.cn/shuxue/lunwen_59421.html
------分隔线----------------------------
推荐内容