基于sarima和二次曲线模型增值税预测分析

基于sarima和二次曲线模型增值税预测分析

ID:23894862

大小:262.51 KB

页数:16页

时间:2018-11-11

基于sarima和二次曲线模型增值税预测分析_第1页
基于sarima和二次曲线模型增值税预测分析_第2页
基于sarima和二次曲线模型增值税预测分析_第3页
基于sarima和二次曲线模型增值税预测分析_第4页
基于sarima和二次曲线模型增值税预测分析_第5页
资源描述:

《基于sarima和二次曲线模型增值税预测分析》由会员上传分享,免费在线阅读,更多相关内容在学术论文-天天文库

1、基于SARIMA和二次曲线模型增值税预测分析江西财经大学涂小青、夏友亮、张运金摘要:增值税税收与一个国家的GDP有密切的关系,可以通过分析增值税的税收情况来反映经济的运行情况。未来更好的把握税收的收入情况,及时掌握国民经济的走势,有必要建立一个有效的预测模型来对税收进行预测,及时为决策者提供可靠及时的数据。在增值税的数据中即包含有随机波动的影响因素,有含有与时间相关的长期趋势,通过两个模型从不同的方面对税收数据进行拟合,最后综合两个模型的预测优势,做出最优的预测。关键字:sarma二次曲线增值税预测A

2、bstract:Valueaddedtaxtaxandacountry'sGDPhascloserelationship,youcananalyzetheVATtaxsituationtoreflecttherunningsituationoftheeconomy.Thefuturebettergraspofincometax,tograspthetrendofthenationaleconomy,itisnecessarytoestablishaneffectiveforecastmodeltopr

3、edictontaxes,intimeforthedecision-makertimelydata.Inthevalueaddedtaxofdataisabouttheinfluencefactorsofrandomfluctuation,containsthelong-termtrendsrelatedwithtime,throughthetwomodelsfromadifferentaspectoftaxdatafitting,thelastcomprehensivetwomodelpredict

4、ionsadvantage,makethebestprediction.161、前言:如何对未来税收进行合理预测,这是制定未来税收任务应该首先解决的问题。以往对一个地区税收预测主要是通过对重点税源调查,将数据进行整理汇总,来推测出一个地区税收的总收入,这种处理方法工作量大而且缺乏对纳税整体的把握,当一个地区税源比较复杂重点税源企业税收不能占绝对优势时,汇总预测精度往往不够高。而现有很多政策还受计划体制响,税收任务的制定很多时候都是行政式的,不能合理反映事物发展的趋势。 一个地区经济发展过程从较长时间看

5、,在市场机制的作用下呈现比较明显的趋势,这为预测提供了依据;从短期看,由于受到宏观政策、市场即期需求变化等不确定因素影响,表现出一定的波动,这对预测造成了困难。目前预测经济运行一般采取的是时间序列方法,比较经典的有灰色理论、多项式曲线、ARIMA模型等,这些模型对经济长期趋势一般把握比较准。在东部个别沿海发达城市已经将时间序列分析方法用作对经济发展指标的预测,并取得了很好的效果。当然在实际应用中选取何种时间序列模型要根据数据本身的特点作出具体分析。2、模型简介:ARIMA模型全称为自回归移动平均模型(

6、AutoregressiveIntegratedMovingAverageModel,简记ARIMA),是由博克思(Box)和詹金斯(Jenkins)于70年代初提出的一著名时间序列预测方法,所以又称为box-jenkins模型、博克思-詹金斯法。其中ARIMA(p,d,q)称为差分自回归移动平均模型,AR是自回归,p为自回归项;MA为移动平均,q为移动平均项数,d为时间序列成为平稳时所做的差分次数。ARIMA模型的基本思想是:将预测对象随时间推移而形成的数据序列视为一个随机序列,用一定的数学模型来近

7、似描述这个序列。这个模型一旦被识别后就可以从时间序列的过去值及现在值来预测未来值。现代统计方法、计量经济模型在某种程度上已经能够帮助企业对未来进行预测。将预测指标随时间推移而形成的数据序列看作是一个随机序列,这组随机变量所具有的依存关系体现着原始数据在时间上的延续性。一方面,影响因素的影响,另一方面,又有自身变动规律。ARMA模型(Auto-RegressiveandMovingAverageModel)是研究时间序列的重要方法,由自回归模型(简称AR模型)与滑动平均模型(简称MA模型)为基础“混合”

8、构成。16ARIMA模型分为以下三种:1.自回归模型(AR:Auto-regressive)如果时间序列满足其中是独立同分布的随机变量序列,且满足:以及E()=0则称时间序列为服从p阶的自回归模型。自回归模型的平稳条件:滞后算子多项式的根均在单位圆外,即φ(B)=0的根大于1。2.移动平均模型(MA:Moving-Average)如果时间序列满足则称时间序列为服从p阶移动平均模型;移动平均模型平稳条件:任何条件下都平稳。3.混合模型(ARMA)如果时间序

当前文档最多预览五页,下载文档查看全文

此文档下载收益归作者所有

当前文档最多预览五页,下载文档查看全文
温馨提示:
1. 部分包含数学公式或PPT动画的文件,查看预览时可能会显示错乱或异常,文件下载后无此问题,请放心下载。
2. 本文档由用户上传,版权归属用户,天天文库负责整理代发布。如果您对本文档版权有争议请及时联系客服。
3. 下载前请仔细阅读文档内容,确认文档内容符合您的需求后进行下载,若出现内容与标题不符可向本站投诉处理。
4. 下载文档时可能由于网络波动等原因无法下载或下载错误,付费完成后未能成功下载的用户请联系客服处理。