本文選題：ARMA模型 + ARIMA模型　； 參考：《山東大學(xué)》2016年碩士論文

【摘要】：GDP是指一個國家或者地區(qū)在一定時期內(nèi)運用生產(chǎn)要素所生產(chǎn)的全部產(chǎn)品和服務(wù)的市場價值。GDP不僅常常被視作一個國家或地區(qū)經(jīng)濟狀況的一個重要指標(biāo),而且也為國家和地區(qū)在部署戰(zhàn)略方針和制定宏觀經(jīng)濟政策上提供了一種參考和依據(jù)。與此同時我們可以通過數(shù)據(jù)來檢測制定的宏觀經(jīng)濟政策的科學(xué)性和有效性。除此之外,GDP的統(tǒng)計數(shù)據(jù)比較準(zhǔn)確、計算重復(fù)度小,所以統(tǒng)計起來相對容易。GDP和經(jīng)濟增長率、通貨膨脹率及失業(yè)率這些主要的宏觀經(jīng)濟運行指標(biāo)都有著非常密切的關(guān)系,是最基礎(chǔ)性的指標(biāo)�？傊�,GDP能夠展現(xiàn)出一個國家或地區(qū)經(jīng)濟狀況的完整圖像,幫助判斷經(jīng)濟發(fā)展的趨勢和走向。所以,在目前中國經(jīng)濟高速發(fā)展的背景下預(yù)測GDP是十分有必要的。本文第一章介紹了課題選擇的背景意義及時間序列的現(xiàn)狀。在第二章介紹了時間序列預(yù)測的相關(guān)理論。首先,重點介紹了一元時間序列中ARMA模型和ARIMA模型,然而在現(xiàn)實生活中預(yù)測往往是受很多因素影響的,所以接下來介紹了多元時間序列中的ARIMAX模型。在第三章和第四章我們進行了實證分析。以山東省的1975年-2013年GDP數(shù)據(jù)和第三產(chǎn)業(yè)產(chǎn)值為研究對象,基于時間序列分析理論中的ARIMA模型和ARIMAX模型,利用SAS軟件,經(jīng)過數(shù)據(jù)整理、平穩(wěn)性檢驗、模型的識別、參數(shù)的估計及模型的檢驗等步驟后對模型進行擬合。從最后的擬合結(jié)果可以看出,預(yù)測值和真實值非常吻合,真實值均落在預(yù)測值的95%置信區(qū)間內(nèi),且預(yù)測值與真實值的相對誤差在2%以內(nèi),充分說明模型擬合效果好、預(yù)測精度高。通過該實證研究表明ARIMA模型和ARIMAX模型可以應(yīng)用在實際的工作中進行短期的宏觀預(yù)測。我們選擇第三產(chǎn)業(yè)產(chǎn)值作為ARIMA模型的輸入變量,主要是想對山東省的產(chǎn)業(yè)結(jié)構(gòu)進行分析,并在第五章對山東省的產(chǎn)業(yè)結(jié)構(gòu)優(yōu)化提出了幾點意見。本文的創(chuàng)新之處在于,引入第三產(chǎn)業(yè)產(chǎn)值作為GDP序列的輸入變量,并且運用多元時間序列對數(shù)據(jù)進行擬合,多元時間序列預(yù)測要比單純的一元時間序列預(yù)測要復(fù)雜一些。最后通過AIC和SBC準(zhǔn)則判斷出ARIMAX模型要比ARIMA模型要好一些,所以據(jù)此推斷,還可以加進多個輸入變量,來預(yù)測GDP的值可能會更準(zhǔn)確一些。
[Abstract]:GDP refers to the market value of all products and services produced by the factors of production in a certain period of time. GDP is not only regarded as an important indicator of the economic situation of a country or region. It also provides a reference and basis for countries and regions to deploy strategic policies and formulate macroeconomic policies. At the same time, we can use data to test the science and effectiveness of macroeconomic policies. In addition, the statistical data of GDP are relatively accurate and the calculation repetition is small, so it is relatively easy to count GDP and the economic growth rate, inflation rate and unemployment rate, which are all closely related to the major macroeconomic operating indicators. Is the most basic indicator. In short, GDP can show a complete picture of the economic situation of a country or region, and help judge the trend and trend of economic development. Therefore, it is necessary to forecast GDP under the background of China's rapid economic development. The first chapter introduces the background significance of topic selection and the present situation of time series. In the second chapter, the theory of time series prediction is introduced. Firstly, the ARMA model and the ARIMA model in univariate time series are introduced. However, in real life, the prediction is often influenced by many factors, so the ARIMAX model in multivariate time series is introduced. In the third and fourth chapters, we carry out empirical analysis. Taking the GDP data of Shandong Province from 1975 to 2013 and the output value of the tertiary industry as the research object, based on the ARIMA model and ARIMAX model in the theory of time series analysis, using SAS software, through data collation, stability test, model identification, Parameter estimation and model test are used to fit the model. From the final fitting results, it can be seen that the predicted value is in good agreement with the real value, the true value falls within the 95% confidence interval of the predicted value, and the relative error between the predicted value and the real value is less than 2%, which fully shows that the model fits well. The prediction accuracy is high. The empirical study shows that ARIMA model and ARIMAX model can be applied to short-term macro prediction in practical work. We choose the output value of the tertiary industry as the input variable of the ARIMA model. We mainly want to analyze the industrial structure of Shandong Province and put forward some suggestions on the optimization of the industrial structure of Shandong Province in the fifth chapter. The innovation of this paper is that the tertiary industry output value is introduced as the input variable of GDP series, and the data are fitted by multivariate time series. The prediction of multivariate time series is more complicated than that of simple monadic time series prediction. Finally, it is found that the ARIMAX model is better than the ARIMA model through the AIC and SBC criteria, so we can infer that it is possible to add more input variables to predict the value of GDP more accurately.
【學(xué)位授予單位】：山東大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2016
【分類號】：F224;F127

【相似文獻】

相關(guān)期刊論文 前10條

1 卞曉靈;;ARIMA模型在設(shè)備故障預(yù)測中的應(yīng)用[J];科技信息(學(xué)術(shù)研究);2008年08期

2 付宇涵;;基于ARIMA模型的我國財產(chǎn)險保費收入的預(yù)測研究[J];統(tǒng)計教育;2010年10期

3 王永宏;饒繼廣;;基于ARIMA模型自動預(yù)測我國保險行業(yè)保費收入的應(yīng)用和實踐[J];軟件產(chǎn)業(yè)與工程;2010年06期

4 陳雪嬌;;我國消費者信心指數(shù)趨勢分析及預(yù)測——基于ARIMA模型[J];東方企業(yè)文化;2011年10期

5 翟明娟;;基于ARIMA模型的山西省人均實際GDP預(yù)測[J];長治學(xué)院學(xué)報;2012年05期

6 趙建鋒;李冠軍;;ARIMA模型在我國紡織品服裝出口額預(yù)測中的應(yīng)用[J];企業(yè)導(dǎo)報;2013年23期

7 石美娟;ARIMA模型在上海市全社會固定資產(chǎn)投資預(yù)測中的應(yīng)用[J];統(tǒng)計與信息論壇;2003年06期

8 李佳萌,曾濤,王偉;ARIMA模型在天津港交通量預(yù)測中的應(yīng)用[J];數(shù)理醫(yī)藥學(xué)雜志;2004年05期

9 梁來存;皮友靜;;我國保費收入的ARIMA模型與預(yù)測[J];統(tǒng)計與決策;2006年07期

10 王新華;;ARIMA模型在武漢市全社會固定資產(chǎn)投資預(yù)測中的應(yīng)用[J];統(tǒng)計與決策;2006年08期

相關(guān)會議論文 前10條

1 ;A hybrid ARIMA-ANN model and its Learning Algorithm on Short-term Load Forecasting[A];第二十三屆中國控制會議論文集（下冊）[C];2004年

2 王建鋒;高歌;陳立凌;李紅美;張明芝;王艾麗;;ARIMA模型及其在江蘇省衛(wèi)技人員數(shù)預(yù)測中的應(yīng)用[A];中國現(xiàn)場統(tǒng)計研究會第12屆學(xué)術(shù)年會論文集[C];2005年

3 李君華;王志堅;張立杰;陳雪;;基于小波理論及ARIMA模型的短期棉花價格預(yù)測[A];中國棉花學(xué)會2012年年會暨第八次代表大會論文匯編[C];2012年

4 陳興榮;;ARIMA模型和GM(1,1)在我國白銀消費需求預(yù)測應(yīng)用中的比較研究[A];第25屆全國灰色系統(tǒng)會議論文集[C];2014年

5 ;Double Trends Time Series Forecasting Using a Combined ARIMA and GMDH Model[A];Proceedings of 2010 Chinese Control and Decision Conference[C];2010年

6 劉軍;柴洪洲;陳軻;劉先冬;;ARIMA模型預(yù)報電離層VTEC研究[A];第一屆中國衛(wèi)星導(dǎo)航學(xué)術(shù)年會論文集（下）[C];2010年

7 ;Economic Design of Integrating SPC and APC with Quality Constraints[A];Proceedings of 2010 Chinese Control and Decision Conference[C];2010年

8 任家福;張f ;周宗放;;基于ARIMA和BP神經(jīng)網(wǎng)絡(luò)的組合預(yù)測模型及應(yīng)用研究[A];第三屆（2008）中國管理學(xué)年會——技術(shù)與創(chuàng)新管理分會場論文集[C];2008年

9 ;Modeling Chronobiologic Data: An Introduction to Time Series Analysis[A];2004全國時間生物醫(yī)學(xué)學(xué)術(shù)會議論文集[C];2004年

10 ;Traffic Flow Forecasting Based on Fuzzy-Neural[A];第二十六屆中國控制會議論文集[C];2007年

相關(guān)重要報紙文章 前1條

1 ;基于數(shù)量化方法對未來經(jīng)濟增長趨勢的預(yù)測[N];第一財經(jīng)日報;2009年

相關(guān)碩士學(xué)位論文 前10條

1 梁佳琦;ARIMA模型同MAXENT模型在自然保護區(qū)內(nèi)口蹄疫疫情風(fēng)險預(yù)警中的應(yīng)用研究[D];東北林業(yè)大學(xué);2015年

2 張海東;基于論壇的熱點話題識別與趨勢預(yù)測研究[D];上海師范大學(xué);2015年

3 王煒翔;南京市2006～2013年流感流行特征及ARIMA模型的應(yīng)用[D];東南大學(xué);2015年

4 趙佳寶;ARIMA結(jié)合BP神經(jīng)網(wǎng)絡(luò)對核心交易量預(yù)測的研究[D];東華大學(xué);2016年

5 高金標(biāo);基于Hadoop的全國零售戶數(shù)據(jù)處理與市場感知[D];浙江理工大學(xué);2016年

6 李思洋;電力光纖線路狀態(tài)預(yù)測方法研究[D];東北電力大學(xué);2016年

7 苗亞男;基于卡爾曼濾波的ARIMA—GM霧霾預(yù)測及擴散消失模型研究[D];吉林大學(xué);2016年

8 劉源;基于GM-ARIMA模型的成都市生活垃圾產(chǎn)量預(yù)測研究[D];西南交通大學(xué);2016年

9 陳聰聰;基于ARIMA模型和ARIMAX模型的山東省GDP的預(yù)測與分析[D];山東大學(xué);2016年

10 鐘令樞;基于ARIMA-LSTM的架空線狀態(tài)數(shù)據(jù)挖掘[D];華南理工大學(xué);2016年

，

本文編號：1851838