本文将对自回归分布滞后模型和季节性 模型的基本原理、预测方法及预测过程作出论述.然后基于我国2004年-2014年各月的 分别建立上述两种模型.在2010年4月-2015年3月此预测期间内,运用模型进行预测,然后根据上述两种模型的预测结果以及现实值,运用 进行多元线性回归分析.以多元线性回归确定权数的思想建立以自回归分布滞后模型和季节性 模型为单项模型的组合模型.对比上述三种模型的预测效果,选出最优模型.运用此预测模型预测我国未来 走势.
2 基于CPI的自回归分布滞后模型
滞后效应可以解释为因变量受到自身或另一解释变量的前几期值影响的现象[2].
主要有以下方面可能会造成滞后效应: .心理:人们产生心理定势,导致行为方式落后于经济形势的变化; .技术:例如在普遍情况下,一个企业的当前的产量在很大程度上由以前的资本积累程度所决定; .规章制度:比方说如果存在银行里的存款是定期的,那么就得到一定的期限才能提取出来,因而对当前购买能力的反映具有延迟效应[2].
自回归分布滞后模型的一般形式为:
( 为滞后时间间隔)[2],此模型就称为自回归分布滞后模型.自回归分布滞后模型中既含有 对自身滞后变量的回归,还含有 (外生变量)分布在不同时期的滞后变量.自回归分布滞后模型的稳定性取决于特征方程 所有特征根是否都大于1.此模型本质上是一个线性模型,因此可以采用最小二乘估计法,去估计回归系数.滞后长度的选择可利用 准则或 准则.
根据相关资料得知广义货币供应量 对 的影响具有滞后效应[2].为了更好地对 进行预测,本文将充分考虑 的滞后影响,为此建立了自回归分布滞后模型,并根据此模型对我国的 进行预测.
2.1 单整检验
对搜集整理来的数据(见附录中的附表1、附表2),基于样本区间2004年1月至2014年12月,采用 季节调整法对它们进行季节性调整,调整后分别记为 和 .分别对上述调整后的时间序列进行平稳性检验,以下的平稳性检验都采用 检验法,检验结果如下:
表2-1 的 检验结果Augmented Dickey-Fuller test statistic -2.715563 0.0744
Test critical values: 1% level -3.486064
5% level -2.885863
10% level -2.579818
从上表可以看出当显著性水平 时, 检验统计量的结果为-2.715563大于-3.486064,所以可以认为在显著性水平 时,接受原假设,认为 序列是不稳定的.
表2-2 的 检验结果Augmented Dickey-Fuller test statistic 6.180534 1.0000
Test critical values: 1% level -3.480818
5% level -2.883579
10% level -2.578601
从表2-2可以看出由于 检验统计量的结果为6.180534大于-3.480818,所以可以认为在显著性水平 时,接受原假设,认为序列 为非平稳的时间序列.
对 序列进行一阶差分形成 序列,对 进行 检验,检验结果如下:
表2-3 的 检验结果t-Statistic Prob.*
Augmented Dickey-Fuller test statistic