城市居民消费价格指数时间序列分析Word文档下载推荐.docx
《城市居民消费价格指数时间序列分析Word文档下载推荐.docx》由会员分享,可在线阅读,更多相关《城市居民消费价格指数时间序列分析Word文档下载推荐.docx(18页珍藏版)》请在冰豆网上搜索。
![城市居民消费价格指数时间序列分析Word文档下载推荐.docx](https://file1.bdocx.com/fileroot1/2022-12/31/1d382acb-2ffc-4dd0-bf9d-8f534245bd88/1d382acb-2ffc-4dd0-bf9d-8f534245bd881.gif)
100.1
1984
102.7
1995
116.8
1952
1963
94.1
1974
100.7
1985
111.9
1996
108.8
1953
105.1
1964
96.3
1975
100.4
1986
107
1997
103.1
1954
101.4
1965
98.8
1976
100.3
1987
1998
99.4
1955
1966
1977
1988
120.7
1999
98.7
1956
99.9
1967
1978
1989
116.3
2000
100.8
1957
102.6
1968
1979
101.9
1990
101.3
2001
1958
98.9
1969
101
1980
107.5
1991
2002
99
1959
1970
100
1981
102.5
1992
108.6
2003
100.9
1960
1971
1982
102
1993
116.1
2004
103.3
1961
1972
100.2
1983
1994
125
2005
101.6
数据来源:
中国统计年鉴数据库
①做原始序列时序图与自相关图(x表示1951-2005年中国城市居民消费价格指数序列)
图2-1中国城市居民消费价格指数时序图
由图2-1可以看出,时间序列没有明显的趋势效应,也没有季节变动效应,可以认为原时间序列为平稳时间序列。
图2-2中国城市居民消费价格指数相关图
由图2-2可知,自相关系数只有前两阶在2倍标准差之外,其余均在2倍标准差之内;
偏自相关系数只有一阶在2倍标准差之外,其余均在2倍标准差之内。
Q统计量的相伴概率p值均小于0.05,可以认为该时间序列平稳,可以根据此表选择模型进行建立。
②对原始时间序列做单位根检验,判别该时间序列是否平稳。
t-Statistic
Prob.*
AugmentedDickey-Fullerteststatistic
-3.539492
0.0105
Testcriticalvalues:
1%level
-3.557472
5%level
-2.916566
10%level
-2.596116
图2-3原始序列单位根检验
由图2-3可以看出,检验t统计量的值为-3.539492,显著性水平5%、10%的临界值分别为-2.916566、-2.596116,可见t统计量的值小于各显著性水平的临界值,显著性水平1%的临界值为-3.557472,虽然小于t统计量值,但是很接近,故拒绝原假设,认为序列平稳,可以对原始序列考虑建模。
2.2模型判别
根据原始时间序列自相关图,偏自相关图考虑建模。
初步拟定建立有常数项的AR
(1)模型,有常数项的ARMA(1,2)模型,有常数项的MA
(2)模型,有常数项的MA
(1)模型,无常数项的AR
(1)模型,无常数项的ARMA(1,2)模型,无常数项的MA
(2)模型,无常数项的MA
(1)模型,一阶差分后的有常数项的AR
(1)模型,一阶差分后的有常数项的ARMA(1,2)模型,一阶差分后的有常数项的MA
(2)模型,一阶差分后的有常数项的MA
(1)模型,一阶差分后的无常数项的AR
(1)模型,一阶差分后的无常数项的ARMA(1,2)模型,一阶差分后的无常数项的MA
(2)模型,一阶差分后的无常数项的MA
(1)模型。
3中国城市居民消费价格指数模型的建立
3.1有常数项的AR
(1)模型
Variable
Coefficient
Std.Error
Prob.
C
103.3539
1.783128
57.96215
0.0000
AR
(1)
0.629088
0.104792
6.003189
R-squared
0.409348
Meandependentvar
103.6963
AdjustedR-squared
0.397989
S.D.dependentvar
6.240614
S.E.ofregression
4.842053
Akaikeinfocriterion
6.028888
Sumsquaredresid
1219.165
Schwarzcriterion
6.102554
Loglikelihood
-160.7800
Hannan-Quinncriter.
6.057298
F-statistic
36.03828
Durbin-Watsonstat
1.661689
Prob(F-statistic)
0.000000
InvertedARRoots
.63
图3-1模型的参数估计
模型为:
=103.3539+0.629088
+
,参数的显著性检验均通过了,特征根也在单位圆内,模型平稳,AIC为6.6028888。
图3-2残差相关图
图3-2的P值均大于0.05,说明残差序列为纯随机序列,互不相关。
7.249813
Prob.F(2,51)
0.0017
Obs*R-squared
11.95396
Prob.Chi-Square
(2)
0.0025
ScaledexplainedSS
23.43989
图3-3残差方差齐性检验
图3-3上面的的Proc.Chi-Square
(2)值小于0.05,认为残差序列没通过方差齐性检验,存在异方差。
SampleMean=0.166292
SampleStd.Dev.=4.908975
Method
Value
Probability
t-statistic
0.251224
0.8026
图3-4残差零均值检验
图3-4的Probability值大于0.05,认为残差序列通过了零均值检验。
图3-5模型拟合图形
3.2有常数项的ARMA(1,2)模型
103.3703
1.124717
91.90784
-0.884055
0.028473
-31.04900
MA
(1)
1.900897
0.039167
48.53254
MA
(2)
0.905352
0.037142
24.37568
0.584059
0.559103
4.143773
5.752278
858.5428
5.899610
-151.3115
5.809098
23.40315
1.640252
-.88
InvertedMARoots
-.95+.04i
-.95-.04i
图3-6模型的参数估计
=103.3703-0.884055
+1.900897
+0.905352
,参数的显著性检验均通过了,特征根也在单位圆内,模型平稳可逆,AIC为5.752278。
图3-7残差相关图
图3-7的P值大部分都大于0.05,说明残差序列为纯随机序列,互不相关。
1.639696
Prob.F(14,39)
0.1112
20.00799
Prob.Chi-Square(14)
0.1299
31.30735
0.0050
图3-8残差方差齐性检验
图3-8上面的的Proc.Chi-Square(14)值大于0.05,认为残差序列通过方差了齐性检验,不存在异方差。
SampleMean=0.304154
SampleStd.Dev.=4.165789
0.541474
0.5904
图3-9残差零均值检验
图3-9的Probability值大于0.05,认为残差序列通过了零均值检验。
图3-10模型拟合图形
3.3没有常数项的ARMA(1,2)模型
0.999695
0.002049
487.8961
-0.189103
0.119645
-1.580529
0.1202
-0.523635
0.114898
-4.557412
0.408882
0.385701
4.891221
6.066714
1220.126
6.177213
-160.8013
6.109329
1.817533
1.00
.82
-.64
图3-11模型的参数估计
=0.999695
,
的参数显著性检验没通过,对应p值大于0.05,其余的参数显著性检验均通过了,特征根在单位圆内,模型平稳可逆,AIC为6.066714。
图3-12残差相关图
图3-12的P值均大于0.05,说明残差序列为纯随机序列,互不相关。
1.640162
Prob.F(6,47)
0.1572
9.349112
Prob.Chi-Square(6)
0.1549
12.66389
0.0487
图3-13残差方差齐性检验
图3-13上面的的Proc.Chi-Square(6)值大于0.05,认为残差序列通过方差了齐性检验,不存在异方差。
SampleMean=1.834330
SampleStd.Dev.=15.92303
0.854345
0.3967
图3-14残差零均值检验
图3-14的Probability值大于0.05,认为残差序列通过了零均值检验。
图3-15模型拟合图形
同样的办法还可以建立很多其他的模型,这里不一一列举。
4模型优化
4.1模型选择
有常数项的AR
(1)模型的残差序列没有通过方差齐性检验,认为残差序列存在异方差,因此该AR
(1)模型的残差序列不是白噪声序列,拟合不是很好。
有常数项的ARMA(1,2)模型各种检验均通过了,认为该模型拟合较好。
没有常数项的ARMA(1,2)模型
没通过显著性检验,其他的检验均通过了,认为该模型拟合的不是很好。
综合考虑所建的所有模型,认为有常数项的ARMA(1,2)模型拟合的最好,根据模型优化的AIC准则,选取AIC最小的,该模型也是符合的,该模型的AIC是所有建立的模型中最小的。
所以选择有常数项的ARMA(1,2)模型进行预测。
5中国城市居民消费价格指数模型的预测
图5-11951-2010年中国城市居民消费价格指
图5-22006-2010年中国城市居民消费价格指数预测区间
2006-2010年中国城市居民消费价格指数预测数据见表5-1。
表5-1
中国城市居民消费价格指数(%)
2006
101.7206
2007
103.3953
2008
103.3481
2009
103.3899
2010
103.3530
6模型评价与分析
6.1中国城市居民消费价格指数模型评价
2006-2010年中国城市居民消费价格指数实际数据见表6-1。
101.5
104.5
105.6
99.1
103.2
表6-1
可见2006年预测的比较好,2007年有点差异,2008年差异比较大,2008年城市居民消费价格指数突然上涨,可能受08年奥运会影响,09年差异也比较大,2009年城市居民消费价格指数突然下降,可能受经济危机影响。
2008年和2009年受当时时事影响出现异常波动,可将其视为异常值点。
2010年预测值比较接近真实值,此时经济危机刚刚平息,城市居民消费价格指数又回归到原始波动水平,所以预测的比较准。
6.2中国城市居民消费价格指数分析
伴随着中国市场化程度加深和GDP高速增长,国民消费却一直处于低水平,这是中国经济特有的一个特点。
同时由于美国“次贷危机”所引发的金融危机席卷了全球各个金融市场,并对世界各主要经济体产生了巨大的影响,扩大消费已经成为我国经济平稳发展的立足点。
刺激内需扩大消费是根本举措,目前已成为宏观经济政策组合的目标重点。
虽然近年来国家已经采取了一系列刺激居民消费的措施,但是收效并不明显。
参考文献
[1]包雪梅,廖宜静.我国居民现状分析[J].商场现代化.2010
[2]来源网站: