对工业总产值的分析Word文档下载推荐.docx

对工业总产值的分析Word文档下载推荐.docx

《对工业总产值的分析Word文档下载推荐.docx》由会员分享，可在线阅读，更多相关《对工业总产值的分析Word文档下载推荐.docx（14页珍藏版）》请在冰点文库上搜索。

年月199019911992199319941995199619971月1421.41757.81984.22179.12903.32996.73476.63843.842月1367.41485.71812.42408.72513.82740.32970.33181.263月1719.71893.92274.72869.434093580.93942.64404.494月1759.61969.82328.92916.73499.53746.34067.64520.185月1795.72033.72373.13022.13642.63817.94746.8994638.996月1848.121032515.83274.53871.44046.64417.2994969.937月1637.31836.322882862.933733483.93806.84146.8998月1637.61914.723212864.23463.43510.63746.34198.79月1637.62022.22441.129083663.743703.14011.14536.83910月1637.62045.12502.62911.83753.383810.74129.64783.9111月1637.62069.22608.83101.33973.1740914372.1995034.93912月1637.621362823.83664.34469.024650.7994991.55545.74要求:

1.根据数据分析当地工业总产值的变化特征.

2.根据变化特征试建立合理的模型描绘这种特征..

3.若有季节性变化,试分离出季节性变化因子,求出季节性因子.

4.对残差进行白噪声检验.

5.预测1998年的工业总产值.

问题分析:

这是一个有关时间序列的问题，我们对数据分析得到数据有明显的增长趋势且改时间序列有季节性变化，于是需要利用Eviews软件对该时间序列进行差分变换后建立平稳的时间序列模型求解及预测。

模型的的建立、求解与选择:

1.时间序列特征分析:

将数据绘制成折线图，如图1所示，序列具有明显的增长趋势，并包含有周期为12个月的季节波动。

即有季节因子存在。

图2是序列自相关图。

由图1和图2可知，改时间序列为非平稳时间序列。

因此需要对其进行调整使之变成平稳系列在进行求解。

6,000

5,000

4,000

3,000

2,000

1,000

947

TX

图1工业生产值折线图

图2序列自相关图

为消除趋势同时减少序列的波动，即使之变成平稳时间序列。

对原序列做一阶对数差分。

差分后序列名为ilx，

其自相关与偏向关分析图如图3所示。

图3序列ilx自相关-偏相关分析图

ILX

.4

.3

.2

.1

.0

-.1

-.2

-.3

-.4

-.5

图4序列ilx折线图

由图3，图4可见，序列的趋势基本消除，但是当k=12时，由图3知，样本的自相关系数和偏相关系数显著不为0。

表明季节性还存在。

因此对序列ilx做季节差分，得到新序列silx。

为检验模型的预测的效果，我们这将1997年的12个观测值留出，作为评价预测的精度的参照对象。

建模的样本期为1990年1月至1996年12月。

绘制silx自相关和偏相关分析图，如图5所示。

图5序列silx自相关-偏相关分析图

由图5可知，序列样本自相关与偏相关系数很快落入随即区间，故序列趋势已基本消除，并且当k=12时，自相关与偏相关系数也明显减小。

偏相关系数与0无显著差别。

图5中自相关系数与0有显著性差别。

我们对序列做二阶差分。

查分后的得到新序列ssilx。

如图6所示。

图6序列ssilx自相关-偏相关分析图

由图6可见,序列样本自相关与偏相关系数很快落入随即区间，故序列趋势已基本消除，并且当k=12时，自相关与偏相关系数没有减小,反而增大。

对序列进行二阶差分，序列季节性没有得到明显改善。

故对该序列只需要

做阶一差分即可。

对系列silx进行0均值检验的结果如下:

得到该系列样本的平均数是m=-0.003，均值标准误差s=0.00437707563182，系列均值与0无显著性的差异，表明系列可以直接建立ARMA模型。

2.模型识别

因为经过一阶逐期差分，序列趋势消除，故d=1;

经过一阶季节差分，季节性基本消除，故D=1.所以选用ARIMAM模型。

取自然对术后的工业总产值序列为ilx。

观察序列silx的偏相关图，如图4所示，p=2或3比较合适;

自相关图显示q=1。

考虑到AR模型是线性方程估计你，相对于MA和ARMA模型的非线性估计容易，参数意义也便于解释。

故实际建模时用高阶AR模型替换相应的MA和ARMA模型。

综上考虑，可供选择的（p,q）组合有:

（2，1），（3，0），（3，1），（4，0）。

由于k=12时，样本的自相关和偏相关系数都不为0，所以，P=Q=1。

3.模型的建立

为了方便直接对原序列x进行预测，Eviews提供了差分算子

d（x，n，s）=（1-B）^n（1-B^S）x

表明序列x做n次一阶逐期差分和一次步长为s的季节差分后的新序列。

采用菜单式建立ARIMA（2,1,1）（1,1,1）^12模型。

Eviews软件计算的结果如下:

其中，sar（s）和sma（s）分别表示季节自回归部分和季节移动平均部分变量。

表1模型参数估计与相关检验的结果

DependentVariable:

D（LOG（X）,1,12）

Method:

LeastSquares

Sample（adjusted）:

1992M041997M12

Includedobservations:

69afteradjustments

Convergenceachievedafter29iterations

MABackcast:

1991M031992M03

VariableCoefficientStd.Errort-StatisticProb.

AR

（1）0.1320830.2630840.5020570.6174

AR

（2）-0.0275910.171315-0.1610560.8726

SAR（12）0.1234240.1125011.0970920.2767

MA

（1）-0.6341830.230928-2.7462360.0078

SMA（12）-0.8994650.035052-25.660940.0000

R-squared0.580257Meandependentvar-0.001129

AdjustedR-squared0.554023S.D.dependentvar0.067145

S.E.ofregression0.044841Akaikeinfocriterion-3.301705

Sumsquaredresid0.128683Schwarzcriterion-3.139814

Loglikelihood118.9088Hannan-Quinncriter.-3.237477

Durbin-Watsonstat2.022334

InvertedARRoots.84.73+.42i.73-.42i.42-.73i

.42+.73i.07+.15i.07-.15i.00+.84i

-.00-.84i-.42-.73i-.42+.73i-.73-.42i

-.73+.42i-.84

InvertedMARoots.99.86+.50i.86-.50i.63

.50+.86i.50-.86i-.00-.99i-.00+.99i

-.50-.86i-.50+.86i-.86+.50i-.86-.50i

-.99

由表1可见，各滞后多项式的倒数根都在单位圆内，说明这个过程既是平稳的，也是可逆的。

为了检验的预测

效果，现在用ARIMA（2,1,1）（1,1,1）^12模型对我国1997年工业总产值进行预测，预测的结果如下:

14,000Forecast:

IPF1Actual:

X12,000Forecastsample:

1990M011997M12Adjustedsample:

1992M041997M1210,000Includedobservations:

69RootMeanSquaredError295.19818,000MeanAbsoluteError221.7042MeanAbs.PercentError6.3753716,000TheilInequalityCoefficient0.041483BiasProportion0.505659VarianceProportion0.0032014,000CovarianceProportion0.491140

9961997

IPF1?

2S.E.

图7预测值与真实值对比图

图7预测值与真实值对比图，预测精度MAPE为6.375371.同理可建立ARIMA（3,1,1）（111）模型。

计算及预测的结果如下:

表2模型参数估计与相关检验的结果

D（LOG（X）,1,12）Method:

LeastSquaresSample（adjusted）:

1992M051997M12Includedobservations:

68afteradjustmentsConvergenceachievedafter52iterationsMABackcast:

1991M041992M04

AR

（1）-0.0326830.362563-0.0901430.9285

AR

（2）-0.1119360.200025-0.5596100.5778

AR（3）-0.1495630.164816-0.9074580.3677

SAR（12）0.0922740.1162910.7934790.4305

MA

（1）-0.4620600.355712-1.2989710.1988

SMA（12）-0.8980630.035640-25.198000.0000

R-squared0.584722Meandependentvar-0.000914AdjustedR-squared0.551232S.D.dependentvar0.067620S.E.ofregression0.045299Akaikeinfocriterion-3.266967Sumsquaredresid0.127224Schwarzcriterion-3.071129

Loglikelihood117.0769Hannan-Quinncriter.-3.189370Durbin-Watsonstat2.028336

InvertedARRoots.82.71+.41i.71-.41i.41+.71i

.41-.71i.22-.52i.22+.52i.00-.82i

-.00+.82i-.41+.71i-.41-.71i-.47

-.71-.41i-.71+.41i-.82

InvertedMARoots.99.86+.50i.86-.50i.50+.86i

.50-.86i.46-.00-.99i-.00+.99i

预测

14,000Forecast:

IPF2Actual:

1992M051997M1210,000Includedobservations:

68RootMeanSquaredError285.81938,000MeanAbsoluteError214.2391MeanAbs.PercentError6.1754466,000TheilInequalityCoefficient0.039830BiasProportion0.426634VarianceProportion0.0199174,000CovarianceProportion0.553450

IPF2?

图8预测值与真实值对比图

用ls命令建立ARMA（4,1,0）（111）模型。

计算结果如下表:

表3模型参数估计与相关检验的结果

LeastSquaresIncludedobservations:

67afteradjustmentsConvergenceachievedafter16iterationsMABackcast:

1991M061992M05

AR

（1）-0.4897810.129874-3.7712110.0004

AR

（2）-0.3412850.136957-2.4919160.0154

AR（3）-0.3061740.136660-2.2404140.0287

AR（4）-0.1564410.126458-1.2370960.2208

SAR（12）0.0741750.1171330.6332520.5289

MA（12）-0.8978660.037401-24.006180.0000

R-squared0.583091Meandependentvar-0.000732AdjustedR-squared0.548918S.D.dependentvar0.068114

S.E.ofregression0.045747Akaikeinfocriterion-3.246091Sumsquaredresid0.127661Schwarzcriterion-3.048656Loglikelihood114.7440Hannan-Quinncriter.-3.167965Durbin-Watsonstat2.042395

InvertedARRoots.81.70+.40i.70-.40i.40-.70i

.40+.70i.24+.65i.24-.65i.00+.81i

-.00-.81i-.40+.70i-.40-.70i-.48-.30i

-.48+.30i-.70-.40i-.70+.40i-.81InvertedMARoots.99.86-.50i.86+.50i.50-.86i

.50+.86i.00+.99i-.00-.99i-.50+.86i

-.50-.86i-.86+.50i-.86-.50i-.99

由表3可见，各滞后多项式的倒数根都在单位圆内，说明这个过程既是平稳的，也是可逆的。

为了检验的

预测效果，现在用ARIMA（4,1,0）（1,1,1）^12模型对我国1997年工业总产值进行预测，预测的结果如下:

10,000Forecast:

IPF29,000Actual:

XForecastsample:

1990M011997M128,000Adjustedsample:

1992M061997M12Includedobservations:

677,000RootMeanSquaredError271.08386,000MeanAbsoluteError213.1179MeanAbs.PercentError6.0309945,000TheilInequalityCoefficient0.037285BiasProportion0.2353384,000VarianceProportion0.0862423,000CovarianceProportion0.678420

1,519961997

图9预测值与真实值对比图

图9预测值与真实值对比图，预测精度MAPE为6.030994.同理。

我们建立ARIMA（3,1,0）（1,1,1）^12

模型并对其进行预测。

68afteradjustmentsConvergenceachievedafter16iterationsMABackcast:

1991M051992M04

AR

（1）-0.4649490.126085-3.6875970.0005

AR

（2）-0.2839870.132992-2.1353660.0366

AR（3）-0.2215530.123615-1.7922800.0779

SAR（12）0.1175480.1171451.0034390.3195

MA（12）-0.8937290.037936-23.558810.0000

R-squared0.571049Meandependentvar-0.000914AdjustedR-squared0.543814S.D.dependentvar0.067620

S.E.ofregression0.045672Akaikeinfocriterion-3.263985

Sumsquaredresid0.131413Schwarzcriterion-3.100785

Loglikelihood115.9755Hannan-Quinncriter.-3.199320

Durbin-Watsonstat2.101170

InvertedARRoots.84.72+.42i.72-.42i.42-.72i

.42+.72i.07+.60i.07-.60i.00-.84i

-.00+.84i-.42+.72i-.42-.72i-.60

-.72-.42i-.72+.42i-.84

InvertedMARoots.99.86+.50i.86-.50i.50-.86i

.50+.86i.00-.99i-.00+.99i-.50-.86i

-.50+.86i-.86-.50i-.86+.50i-.99

计算的结果显示ARIMA（2,1,1）（1,1,1）^12模型拟合的结果明显不如其他三个模型，故不予考虑。

我们利用ARIMA（3,1,0）（1,1,1）^12模型进行预测。

结果如下:

12,000Forecast:

IPF3Actual:

X10,000Forecastsample:

1992M051997M12Includedobservations:

688,000RootMeanSquaredError262.5558MeanAbsoluteError213.06066,000MeanAbs.PercentError5.901871TheilInequalityCoefficient0.035967BiasProportion0.0804724,000VarianceProportion0.152666CovarianceProportion0.7668622,000

IPF3?

图10预测值与真实值对比图

图10预测值与真实值对比图，预测精度MAPE为5.90187.4.模型的选择

三个模型的参数估计和相关检验汇总列入表4和表5.

表4各种模型的参数估计

,,,,,,（p,q）1112341

-0.327-0.1119-0.1420__0.0923-0.4621-0.8981（）3,1

-0.4898-0.3413-0.3062-0.1564__0.0742-0.8979（）4,0

-0.4649-0.2840-0.2216____0.11750.8937（）3,0

表5各模型检验的结果

2AICSCMAPE（）p,qAdjustedR

0.5540-3.3-3.076.18（）3,1

0.5489-3.25-3.056.03（）4,0

0.5438-3.3-3.15.90（）3,0

经计算，三个模型都满足平稳条件和可逆条件，模型设定合理。

比较表5中各模型检验的结果。

与俩个模型相比，第三个模型的AIC和SC值较小，预测的MAPE值显示其预测的精度最高。

（MAPE的取值范围在0-5之间精度极高，在10以内说明预测精度高）。

虽然调整后的样本决定系数略小于前两个模型，胆预测模型的选择应力求简洁、有效，因而选择第三个模型即ARIMA（3,1,0）（1,1,1）^12模型比较合适。

模型的检验: