江苏省GDP时间序列分析模型及其运用(2)
1.3研究目的及意义 - 2 -
2 时间序列分析的基本理论与方法 - 2 -
2.1 时间序列数据的预处理 - 2 -
2.1.1 差分运算 - 2 -
2.1.2 平稳性检验 - 2 -
2.2 时间序列基本模型 - 3 -
2.2.1自回归模型 - 3 -
2.2.2移动平均模型 - 4 -
2.2.3自回归移动平均模型 - 4 -
2.3时间序列模型的特征函数 - 4 -
2.3.1 自相关函数 - 5 -
2.3.2 偏自相关函数 - 5 -
2.4 ARIMA模型建模步骤 - 5 -
2.4.1数据的平稳化处理 - 5 -
2.4.2 模型识别 - 6 -
2.4.3模型的参数估计与检验 - 6 -
2.4.4 模型的检验 - 6 -
3基于时间序列的江苏省GDP应用分析 - 7 -
3.1 江苏省GDP时间序列分析 - 8 -
3.1.1 江苏省GDP数据的平稳性检验 - 8 -
3.1.2 数据的平稳化处理 - 9 -
3.2江苏省GDP时间序列模型的建立 - 11 -
3.2.1 模型识别 - 12 -
3.2.2 模型的参数估计与建立 - 12 -
3.2.3 模型的诊断检验 - 13 -
3.2.4模型的结论 - 15 -
3.3 江苏省GDP短期预测及分析 - 15 -
4 对本论文分析的结论及建议 - 16 -
4.1 结论 - 17 -
4.2本文的建议及局限性 - 17 -
参考文献 - 18-
致 谢 - 19 -
一类时间序列分析模型及其运用-以江苏省GDP为例
1 绪论
1.1研究背景和现状
1.1.1研究背景
时间序列是指按时间先后顺序排列而形成一种序列,是用某个统计指标对某一现象的处理而形成的。由于时间序列分析可专门针对随时间变化的随机数据分析，即可避免回归模型中的虚假回归的问题。本文的时间序列预测通过时间序列分析方法处理，用EVIEWS软件经过静态预测得到的预测值和实际值经过比较，误差控制在相对较小的范围，然后通过动态预测对未来的数据进行预测并分析。
国民生产总值GDP是一个国家或地区总体实力的度量，而且对GDP的预测对于政府总结实力并制定未来发展政策具有重要的指导意义。本文就针对江苏省GDP时间序列数据进行研究，对利用时间序列分析法，对时间序列数据预处理，通过建立最优模型，预测未来变化规律，从而为政府制定政策和战略做出依据。
1.1.2 国内外研究现状
传统的时间序列分析经济的模型主要是以确定性时间序列分析方法为主，主要包括移动平均法、指数平滑法和时间序列的分解等。这些方法都有个前提，就是过去和现在的变化不大，即过去什么样，以后还什么样。如果今后的数据出现了较大的突变，如很大的增长趋势，那么用确定性方法来预测就会产生很大的误差。由于社会经济的不断发展，传统的确定性模型无法拟合当今复杂的经济，其根本原因在于，经济当中的不确定性越来越大，对经济有着很大的影响。在1970年Box和Jenkins基于随机理论，提出结合时间序列分析方法，使得时间序列分析理论能够较好地拟合不确定模型，从而使模型预测的精度大大提高。时间序列分析的基本模型有：ARMA模型、ARIMA模型。
1.2 本文的主要研究工作
在本文中，在以江苏省（GDP）1978-2013年为基础，首先对数据进行平稳化处理、通过自相关和偏自相关图对模型模型进行识别与定阶，时间序列模型的建立和参数估计，并对模型进行检验。最后用建立的ARIMA模型对江苏省GDP进行预测，将静态预测值与实际数值进行比较，判断模型的相对误差是否处于合理的范围，若是则继续用该模型对未来五年进行短期动态预测。