基于工业增加值的预测精度测定-论文.pdf

《基于工业增加值的预测精度测定-论文.pdf》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、投贤理财基于工业增加值的预测精度测定西安财经学院统计学院郭睿摘要：我国y-_4k发展情况能反映国家的经济水平，对研究工业的发+=只∞+e(0，因此，在，一··给定的条件下，+的分布完全由展能很好的得出工业总产值的产量变化情况。首先绘制折线图和工业e。∞的分布决定，即：增加值自相关图进行平稳性和季节性分析得出相应的结果。从图中的ly⋯Y··●～ⅣfY,(D，O(e))～Ⅳ(+咖+⋯+))分析消除趋势同时减小系列波动，对原系列做一阶自然对数逐期差分由此，我们可以得到预测的95％的置信区间为：并且消除季节性。最后建立季节模型计算各模型参数估计结果和各模穸，(0±1．96o-(~：

2、+币十⋯+币一型检验结果。用所建立的模型预测2013年1至12月工业增加值和白噪三、实证分析声检验。以明确模型的可用性。(一)平稳性分析关键词：平稳性和季节性自然对数逐期差分一、问题的提出加强中国统计数据的质量评估已经变得尤为重要，是提高数据质量的有效方法。研究数据质量的准确性和有效性是数据质量评估两个重要特性。对数据的可比、衔接等深层次研究都需要在数据质量精度高的条件下进行分析所得到的结论才会具有较高的可靠性，这样才能用数据去解释各种研究主题的实际意义。而本文是基于计量模型分析法对工业增加值数据的精度进行评估，通过建立季节模型并对下一年度数据进行预测，计算出预测偏差，得到

3、在95％置信水平下的置信区间进而对数据质量进行综合评估。二、理论与方法的介绍l三：固(一)曩据说明由于最新的国家统计局数据只公布了工业增加值同比增长率并且为了消除趋势特征同时减少序列的的波动，我们对工业增加值时最新的数据公布标准是为消除春节日期不固定因素带来的影响，增强间序列￡作一阶自然对数逐期差分，即见=工ⅣPI)一(，P)。为了数据的可比性，按照国家统计制度，自2013年起，卜2月份工业数据一使差分和变换后的序列更好的趋于平稳状态，我们需要对序列进行季起调查，一起发布，不再单独发布2月份当月数据。所以我们只能通过节差分。消除季节波动即对序列ILIP。作自然对数的季节差分

4、，取周期同比推算得到2000-2012各年2月至l2月的工业增加值数据。所以本等于l2时：文决定利用工业增加值累计同比推算一月的工业增加值，这种方法保SIUP,=LN(IL／P,)一LN(，L)证了工业增加值的数据质量。通过季节差分得到新的序列SILIP,，进一步对新序列进行分析。(二)模型识别此时序列图变动的规律性已大大减弱，季节性特征得到了较好的控工业增加值是指按不变价格计算的工业企业在报告期内以货币形制。为了得到最优平稳序列，我们选择阶数d=2时为最优。式表现的从事工业生产活动的最终成果。工业增加值数据是随时间变化的时间序列，不但具有随机性而且包含了趋势和季节特性，是

5、一个非平稳的序列。由于本文研究的工业增加值序列具有趋势及季节性，季节ARIMA模型是一种理论上成熟的算法，它对周期性变化的序列有较高的预测准确度。选择建立ARIMA~，模型，阶数为ARIMA(p，d，(P，D，Q)的乘积季节模型的基本形式为：咖(69，)=(且Q(￡rLM(Lagrangemultiplier)检验对ARIMA包含误差项的模型残差序列进行高阶自相关检验，并允许存在因变量的滞后项。检验假设为：：残差序列不存在小(等)于P阶的白相关：存在ARMA(r,q)形式的误差项；其中P：mnx{r，ql。{。三三耍至亘匝l在零假设下，1-31统计量有渐进的(p)分布，对于

6、给定的显著水从序列D12DLIP的样本自相关与偏自相关系数很快的就落人了随平和自由度P，如果131>(P)，则拒绝风，认为序列存在自相关，反机区间，证明系列区间已被消除，但在CorrelogramofD12DLIP中，当之亦然。k=12时取值仍然较大，季节性依然比较的明显。所以，经过试验对序是置信区间的确定。基于这个ARMA(p，q)模型可以计算并得出下列进行二阶季节差分即得到Correlogramof(D12DLIP，2)，发现序列的季边的式子，预测误差和方差分别为节性得到了较好的改善，故选择二阶季节差分。。et∞：Y⋯一(D=0I‘l+l+币l‘⋯一I+⋯+(bf-l+

7、l对序列选用扩展Dickey—Fuller检验，滞后阶数则采用AIC准则的￡)(e)=口(咖：+咖+⋯+2-J方法进行确定。下图发现ADF值明显小于临界值，所以此时序列呈现假设预测误差具有如下分布：e(D～N(0，D(e。(D))，由于平稳状态，即为平稳序列。36财经界MoneyChina投资理财ADF孙stStatistic14．86617{纛l．3,4793较忧。因而选择第三个模型即ARIMA(3，2，4)0，1，l】模型比较合适。蟪(三)模型检验自赣ic滞S鼙Breusch·Go,mySerialCorrel