图6 实际与预测值比较
表62006-2009居民消费价格指数预测值
|
时间
|
2006年
|
2007年
|
2008年
|
|
预测居民消费价格指数
|
538.2
|
543.3
|
590.2
|
|
实际居民消费价格指数
|
540.6
|
564.4
|
594.3
|
|
相对误差
|
0.4%
|
3.7%
|
0.7%
|
表6表明，预测的趋势和实际发展趋势非常一致，预测结果较好。相对误差基本上都小于5%，可以认为预测结果较准确，模型建立的较好。同时用eviews可拟合出2009年的cpi为619.7，由此证实了ARIMA模型是一种很好的短期时间序列的预测方法。
4 结论
时间序列分析的ARIMA模型预测问题，实质上是通过对社会经济发展变化过程的分析研究，找出其发展变化的量变规律性论文网，用以预测经济现象的未来。预测时不必考虑其它因素的影响，仅从序列自身出发，建立相应的模型进行预测，这就从根本上避免了寻找主要因素及识别主要因素和次要因素的困难；和回归分析相比，可以避免了寻找因果模型中对随机扰动项的限定条件在经济实践中难以满足的矛盾。实际上这也是ARIMA模型预测与其它预测方法相比的优越性所在。
本文将时间序列分析方法应用到山东居民消费价格指数短期预测中，首先，对本序列进行平稳性判别，若非平稳则对该序列进行平稳化处理；其次，对已识别模型进行估计，这里包括模型系数的估计和阶数的判别；然后白噪声检验显示得到的模型是合理的；最后,通过参数的估计值建立相应的模型，计算出序列短期的预测并计算出误差，通过误差分析进一步检验模型的合理程度。在整个建模的过程中,对数据的选取要求比较高，为了选取适应ARIMA模型的时间序列需对大量数据中选取比较有规律的部分,通过Eviews50软件可以很方便地得出序列的模型并且有较高的拟合精度。
参考文献
[1]何书元.应用时间序列分析[M ].北京: 北京大学出版社,2004:56-60.
[2]中华人民共和国国家统计局.中国统计年鉴[M].北京:中国统计出版社,2009.
[3]高铁梅.计量经济分析方法与建模―Eviews应用及实例[M]. 北京:清华大学出版社,2006:126-168.
[4]苏月中.我国居民消费价格指数的历史演变及其发展趋势[J].统计研究,2003,(03).
[5]黄俊,周猛,王俊海.ARIMA模型在我国能源消费预测中的应用[J].决策参考, 2004,(12).
[6]朱威,钟惟剑.ARIMA模型在居民消费价格指数预测中的应用[J].金融济,2008,(16)
2/2 首页 上一页 1 2 |
