ARIMA模型在我国GDP预测中应用,该文是关于ARIMA模型论文范文，为你的论文写作提供相关论文资料参考。
ARIMA模型论文参考文献：
【摘 要】国内生产总值GDP是国民经济核算的核心指标,是衡量一个国家总体经济状况重要指标,它反映了国家的经济实力、结构布局和市场规模.中国从改革开放之后,经济不断发展,GDP数据逐年增加,并呈现一定的规律.本文对我国1997～2016年的GDP数据进行了分析,建立了ARIMA模型,结果显示该模型的预测误差较小,能够较好地描述我国GDP状况,可以用来做短期预测,为政府部门制定经济计划提供依据和参考.
【关键词】GDP ARIMA模型 预测
一、引言
改革开放以来我国的经济取得了快速发展,GDP从1978年的3645.2亿元增加到2016年的744127.0亿元,增长了大约215倍.然而,自金融危机以来,我国经济发展面临着严峻的外部形势,在经济下行的压力下怎样保持经济的快速发展,如何转变经济发展方式,是我国经济发展面临的重大问题.经济预测是对现有的数据进行充分而定量的分析和有效的拟合,在此基础之上对未来还没产生的数据进行预测.国内学者对于GDP的预测进行了一些研究,取得了较大的成果：柳丽娴就1978～2014年的国内生产总值进行了分析,通过数据平稳性检验、模型的参数识别、模型诊断等综合分析,确立了ARIMA（3,1,3）为最优模型[1]；周奎通过对我国1978～2013年的GDP數据进行分析,建立了ARIMA（2,1,6）[2]模型,预测了我国未来GDP数量；华鹏等对广东省1978～2008年的GDP数据进行了分析,建立了ARIMA（1,1,0）模型[3],对广东省GDP做短期预测,为广东省制定经济计划提供依据和参考.
二、ARIMA模型介绍
ARIMA时间序列模型又称BJ模型,是Box和Jenkins的名字命名的一种时间序列短期预测方法,是由AR（p）、MA（q）、ARMA（p,q）逐渐拓展而来,ARIMA模型在做时间序列分析时,根据时间序列自身的变化规律,找出数据变动模型,从而实现对未来的预测.
(一)ARIMA模型的形式
经过d阶差分变换后的序列所建立的ARMA（p,q）模型称为ARIMA（p,d,q）模型,其中p为自回归模型的阶数,q为移动平均的阶数,εt为一个白噪声过程.
(二)ARIMA（p,d,q）模型的建模步骤
第一步,对原序列进行平稳性检验,如果不满足平稳性条件,可通过差分变换或者其他变换（如先取对数然后再差分）将序列变为平稳序列.
第二步,对平稳序列计算ACF和PACF,确定ARIMA模型的阶数p和q.
第三步,估计ARIMA模型的参数,借助t统计量初步判定参数的显著性.
第四步,对估计的ARIMA模型的扰动项进行检验,看是否是白噪声序列.
第五步,利用所选择的模型对时间序列进行预测,对未来的序列值做出估计.
三、基于ARIMA模型的实证分析
(一)数据来源和描述
本文的数据来源于《中国统计年鉴》,以我国1997～2017年的GDP数据为例,使用Eviews 6.0分析ARIMA的建模过程,将建模的样本定为1997～2013年,利用2014～2016年的GDP数据为对照值检验模型的预测效果,并通过所选模型对2017～2019年的我国GDP进行预测.
(二)ARIMA模型建立
1.平稳性检验.对我国1997～2016年的GDP时间序列数据作序列的折线图见图1.
从图1可看出,近20年来,我国GDP数据呈现出指数增长趋势,具有明显的非平稳.接下来对含有指数增长趋势的时间序列,通过取对数处理得到LNGDP数据,将指数趋势化为线性趋势,然后在进行差分消除线性趋势.
二阶差分的结果如图2所示,对D2LNGDP数据做单位根检验,由表1可以看出,ADF检验的t统计量等于-4.838598,小于检验水平为1%、5%、10%的统计量临界值,而且相应的概率值P非常小,因此拒绝存在单位根的原假设,认为序列是平稳的,可确定模型的阶数d等于2.
2.ARIMA模型的建立.观察D2LNGDP的ACF和PACF图（如图3所示）,序列的自相关函数、偏相关函数都在2阶截尾,需对q等于0,1；p等于0,1进行比较最终确定最合适的值.可选择的模型有ARIMA（0,2,0）,ARIMA（1,2,0）,ARIMA（0,2,1）,ARIMA（1,2,1）,对这四个模型运用AIC准则来选择最优模型.结果见表2,比较得出,ARIMA（0,2,0）相对来说为最优.
3.模型的检验.对模型的残差序列εt进行平稳性检验.如果残差序列是白噪声,可以接受这个模型拟合的结果；如果不是,则模型需要进一步改进.检验结果如表3所示.t统计量小于显著性水平1%、5%和10%的临界值,对应概率值P非常小,说明信息提取得比较全面,ARIMA（0,2,0）模型对我国GDP序列拟合成功.
4.模型的预测.利用1997～2013的数据对2014～2016年我国GDP数据进行预测并和实际值比较.如表4所示,经预测2014、2015、2016年的GDP值分别为650121.4,704998.4,759875.4,和实际值的误差分别为0.90%,2.76%,2.10%,其预测结果和实际值之间相差很小,拟合结果比较满意、精确.根据以上的分析,所建立的ARIMA（0,2,0）模型是合适的,对我国GDP的2017到2019的数据进行预测,预测值见表4.
四、总结
ARIMA模型为分析具有明显趋势的时间序列提供了很好的数学模型,在社会经济发展变化过程的分析研究中广泛应用.本文将时间序列分析方法应用到我国国内生产总值短期预测中,以我国GDP数据为例,利用ARIMA模型拟合样本数据,用过去的GDP值对未来GDP进行了预测,得到了比较好的预测结果,从而为经济政策的调整和制定提供参考.
参考文献
[1]柳丽娴.ARIMA模型在中国GDP预测中的应用[J].商.2016（22）：182.
[2]周奎.ARIMA模型在我国GDP预测中的应用[J]2016.2（1）：19-22.
[3]华鹏.ARIMA模型在广东省GDP预测中的应用[J]统计和决策.2010（12）：166-167.
[4]张江城.基于时间序列的我国GDP的短期预测[J].商.2016.5（1）：204-206.
[5]潘省初.计量经济学中级教程[M].北京：清华大学出版社,2013：165-171.
作者简介：于连敏（1994-）,女,山东潍坊人,硕士研究生,山东科技大学,统计学.
结论：关于本文可作为ARIMA模型方面的大学硕士与本科毕业论文arima模型建模步骤论文开题报告范文和职称论文论文写作参考文献下载。
ARIMA模型在中国GDP预测中应用
摘 要：在经济快速发展的今天，对GDP的分析预测显得尤为重要。本文就1978-2014年的国内生产总值进行了分析，建立了ARIMA模型。通过数据。
ARIMA模型在股票预测中的应用
摘 要：文章研究了ARIMA模型及其应用，以三一重工（600031）的120个股票价格数据为例，给出了时间序列模型预测的建模过程。通过真实值与。
基于ARIMA模型甘肃省生态足迹预测
摘 要：生态足迹模型是一种可以有效度量可持续发展的方法，从提出以来备受人们的关注。将生态足迹模型与ARIMA模型相结合，采用不同的均衡因子，以甘。
基于ARIMA模型对我国升学率
为分析近几年我国教育部门高中升学率的变动趋势，并预测未来几年的升学率情况，为今后教育事业的发展提供相应对策建议。文章采取1990-2012年的教。