基于时间序列在粮食产量中的方法研究毕业设计.docx
《基于时间序列在粮食产量中的方法研究毕业设计.docx》由会员分享，可在线阅读，更多相关《基于时间序列在粮食产量中的方法研究毕业设计.docx（16页珍藏版）》请在冰豆网上搜索。
基于时间序列在粮食产量中的方法研究毕业设计
（此文档为word格式，下载后您可任意编辑修改！
）
学号：
毕业设计（论文）
（2015届）
题目基于时间序列在粮食产量中的方法研究
学生
学院专业班级
校内指导教师专业技术职务
校外指导老师专业技术职务
基于时间序列在粮食产量中的方法研究
摘要：
粮食是我们生产和生活中的基本消费品，我国民生国计的首要大事就是解决我国的粮食产量问题。
本文介绍了几种时间序列的建模方法，来分析预测出我国的粮食产量问题。
并且通过分析我国2000到2014年的粮食生产总量数据的特点，建立了自回归移动平均模型ARIMA（p,d,q）模型。
最后，通过使用Eviews6.0操作软件成功的计算完成了关于我国粮食产量的预测问题。
得出的结果如下，在未来的几年内，我国粮食生产在不受到自然灾害等因素影响的前提下，将会缓慢增长。
通过分析，显示农业科技技术和重大的自然灾害对我国粮食产量的影响较为严重，为了保证粮食产量的增长要发展好农业技术和做好重大自然灾害的预防措施。
关键词：
时间序列；粮食产量问题；ARIMA模型。
Studyonthemethodoftimeseriesbasedongrainoutput
Abstract：
Foodisthemostbasicconsumergoodsforsurvival,theproblemofthegrainoutputofacountryrelatestothenationaleconomyandthenationaleconomyandthecountry'snationaleconomyandthenation'slivelihood.Tomakefoodforecast,thispaperpresentsseveralmodelingmethodsfortimeseries.ThroughmodelofautoregressivemovingaverageARIMA（p,d,q）isestablished.Finally,theforecastofgrainoutputofourcountryiscalculatedbyEviews6.0software.Theresultsshowthatthegrainoutputisnotaffectedbynaturaldisastersinthenextseveralyears,anditwillslowgrowth.TheanalysisshowsthattheagriculturaltechnologyandthemajornaturaldisastersthegrainoutputinChina.Inordertoensurefoodproductionproblemstodevelopagriculturaltechnologyandtodoamajordisasterprevention.
Keyword:
Timeseries;Grainoutput;ARIMAmodel.
目录
摘要II
目录III
1．引言1
1.1课题背景1
1.2本课题研究的意义1
2．关于我国的粮食产量问题2
2.1国内粮食产量的现状2
2.2研究粮食产量的方法2
3．几种时间序列预测方法简介2
3.1自回归（AR）模型3
3.2移动平均（MA）模型4
3.3自回归移动平均（ARMA）模型5
3.4差分自回归滑动平均（ARIMA）模型5
4.数据的分析及模型建立7
4.1数据分析7
4.2数据平稳化8
4.3模型的定阶9
4.4模型有效性检验12
4.5模型预测13
5．结论13
参考文献15
致谢17
1．引言
1.1课题背景
我国的民生问题与粮食产量密切相关，国家经济的可持续性发展以及政治局面的稳定等方面都受到粮食产量的影响。
我国有13亿的人口，为世界总人口数比例的百分之二十一，但是可用耕地面积却很少，仅占全球可用的耕地面积比例为百分之七，粮食产量问题是关系到经济发展的安全，而且是关系到民生和国计的重大的战略物资问题，每时每刻都不能有一丝一毫的松懈。
解决十几亿人口的粮食问题是目前的头等大事。
我国的粮食产量问题受到很多方面要素的影响，并且无法从中找出任何规律。
而且有的专家指出，从中长期的发展来看，因为人口的不断增加，耕地面积在不断的减少，城市化的步伐的加快，我国人民的生活水平有着显著的提升。
粮食是人们生活中不可或缺的重要必需品，而且需求越来越大，市场上的粮食的供求关系将会发展成是偏紧的关系。
粮食始终人类生活中必不可少的特殊的商品，所以我国的一项极为重要的战略职责就是要保证粮食安全。
1.2本课题研究的意义
十几年前，美国世界观察所的所长布朗就曾说过，我国的人口在逐年大量的增加，但是耕地面积却在的逐年减少。
等到了2030年那年，我国人口将从13亿增加到16亿，还有由于耕地的减少，粮食产量下降，会导致粮食产量不满足消耗需求。
到时候，人们必然会到各处特别是到国际市场去抢购粮食，这样的势头必然会带动粮食价格的的上涨，形成粮食恐慌的现象，进而引起世界范围的粮危机。
然而事实在证明：
我国的粮食种植面积每削减一个百分点，我国的粮食需求就会要求增添500万吨的粮食的进口，而我国粮食减少或者增加百分之5的粮食进口量，同时，将导致国际大宗商品市场粮食价格的下跌或上涨约30%，从而影响到近30个发展中国家的经济利益。
于是可以看出中国的粮食产量问题对我国甚至于全世界的粮食价格都有着极为重大的影响。
据统计，耕地面积在全球土地总面积中的比重中，印度达百分之56，日本占地百分之12，美国达百分之20。
据统计，当前我国的人均耕地仅为12亩（该数字比实际值小，还有待进一步的核查），我国的耕地面积不足世界人均耕地的区域面积减少相当于缩小了近一个安徽省那么大地域的耕地。
在1990年，我国的粮食的播种面积就降低到了十七亿亩，在此后越来越少，到了1994年的时候我国粮食的播种面积甚至降到了十六点四亿亩，这是第一次比国家制订的粮食安全警戒线要低。
1994年以后，我国的粮食播种面积就一直没有达到国家制定的安全警戒线。
2000年全国粮食播种面积比上年减少了7035万亩、201年的全国粮食播种面积比上年减少了3575万亩，还有2002年我国的粮食播种面积比上年减少了3284万亩。
包括受灾被损坏和农业布局的调整而占用了的一部分耕地之外，各种各类的建设工程也占用了大批的耕地，这些都导致了可用耕地急速减少。
还有退耕还林、退耕还草等这些政府大规模组织的这类的项目，包括了明显加大种植其他非农作物，可用的耕地面积不断减少等都直接对粮食播种面积产生了影响，导致可用的粮食播种面积的减少。
近几年来，中国粮食生产的单位面积产量的提高受到以下因素的影响，种植面积波动，农业基础设施不足，以及自然灾害的频繁发生等。
为了提高粮食生产产量和促进粮食的生产的根本就是先提供一套可以鼓励粮食生产的政策措施,只有提高了粮食种植的效益和增加粮农的收入，才可以更加有效。
但是，由于粮食生产的不确定系统的许多因素的制约，未来中国的粮食产量将如何改变，是否能实现国家粮食安全的目标已经成为一个非常有意义的话题。
因此，为了政策的调整方向和保障粮食安全，更加有效的分析预测我国的粮食产量问题尤其重要。
2．关于我国的粮食产量问题
2.1国内粮食产量的现状
就当前看来，统计动力学生长模拟法以及遥感技术预测法还有天气预测法等方法是目前国外较为受欢迎的几种粮食预测方法。
在世界预测粮食生产的问题有很多研究，尤其中国粮食产量预测更是是受到众多研究者的关注。
目前我国学者对于中国粮食产量的预测用的比较多的是时间序列模型的三大类预测模型。
其中，自回归移动平均模型、差分自回归滑动模型大多用来是处理非平稳的时间序列常用的时间序列模型。
另外，自回归模型（AR模型）、移动平均模型（MA模型）也是时间序列模型中的两类。
双对数模型是一种被广发应用的回归模型，和双对数模型一样回归模型中应用的比较多的还有线性回归模型。
2.2研究粮食产量的方法
从大多的资料看来，基本上时间序列大多不是平稳的，但是假如直接对非平稳的时间序列做回归分析处理的话，就有可能会造成“伪回归”的现象。
“伪回归”的现象是指：
由于对序列进行操作是，使原本并不存在依赖关系的变量却出现了依赖关系。
本文是根据我国粮食产量的时间序列，做出时间序列的散点图并分析数据的特点，再根据该序列的自相关函数图以及偏自相关函数图，然后判断这个时间序列的平稳性。
然后，平稳化非平稳时间序列的数据，把它当做一个随机序列，然后根据该序列的特征，建立出一个与之相应的时间序列模型。
最后对其进行检验，判断其有效性，再利用该模型进行分析预测我国的粮食产量问题。
3．几种时间序列预测方法简介
就现状而言，数量分析方法应用的较多的方法是时间序列分析。
现象是随着时间而变化的，时间序列分析就是寻找出其中得规律，然后描述出来。
一切客观现象都在不断的发展变化中，所以对于现象在发展中的变的规律，不光要其相互关联以及从内部结构以去认识，并且应当随着时间演化的过程去钻研，这就需要运用到时间序列分析方法。
时间序列分析是处理动态数据数据的统计方法。
数理统计方法和随机过程理论，都是在时间序列分析的基础上，探索一些随机数据的统计规律，为解决实际问题的。
传统的统计分析是基于数据序列是独立的，与时间序列分析的随机数据序列之间的相关性。
后者又可以看成随机过程统计的一部分。
一个单变量时间序列的建立模型和预测的主要方法是使用时间序列建模方法。
单变量的时间序列模型（比如说ARIMA模型,季节性ARIMA延长的销售季节ARIMA和TFN的外生变量）被广泛应用于建模和预测粮食产量在不同时间尺度下的常态假设。
包含自回归和移动平均线的组件使得AR
（1）模型非常灵活的和受欢迎的时间序列建模范围广泛的应用程序。
此外,ARIMA模型有很多优势,如处理序列相关性、与时间相关的变化和预测能力比其他类似的模型。
时间序列是一系列的数字序列的时间序列。
时间序列分析就是指利用这组序列，使用数理统计方法进行处理，以此来预测该时间序列的现象在未来一段时间内的发展形势。
在时间序列，数据或数据点在时间依赖性，这是数据值的变化，但可能不是时间的严格函数。
定量预测包括了时间序列分析方法，时间序列分析的基本原理如下：
一、对事物发展的连续性的识别。
利用过去的数据，可以推断出事物的发展。
二、考虑到事物发展的随机性。
任何事物的发展可能是偶然因素的影响，所以历史数据应采用加权平均法分析处理。
时趋势变化、周期性变化、随机变化这是时间序列预测所反映的三类实际变化规律。
要使用时间序列预测出一个现象的发展方向，需要进行如下步骤：
首先，通过对这一现象的历史数据的观测研究，我们发现随着时间的变化而变化的现象的规律，并预测未来的现象。
随着社会的不断发展，在影响经济生活的许多不确定因素的影响越来越大，这必然会吸引人们的注意。
时间序列分析的模型有如下：
AR模型、MA模型、ARMA模型和ARIMA模型。
时间序列分析预测法跟回归分析之间的差异就是时间序列分析能够依据一个变量的值，而不添加任何辅助信息来预测自己的变化。
3.1自回归（AR）模型
假设时间序列是其前期值和随机项的线性函数，那么就能够表示为
=++…++
（1）
那么称这个时间序列为自回归序列，式
（1）为自回归模型，记做AR（p）。
实参数，，…，是自回归系数，是该模型的待估参数。
升级会员 