【基于時間序列探析的廣東省GDP預(yù)測實證探究（論文）9800字】

基于時間序列分析的廣東省GDP預(yù)測實證研究摘要國內(nèi)生產(chǎn)總值（GDP）作為評定經(jīng)濟發(fā)展水平的標準，它反映著一個地區(qū)的經(jīng)濟狀況。廣東省GDP連續(xù)多年位居全國首位，對于我國和廣東省而言，預(yù)測GDP顯得尤為重要。本文以廣東省2000-2020年連續(xù)21年的GDP作為數(shù)據(jù)基礎(chǔ)，借助Excel2010和EVIEWS10.0數(shù)據(jù)分析軟件，基于移動平均法、指數(shù)平滑法和ARIMA模型預(yù)測分析法分別對廣東省GDP未來兩年的GDP進行預(yù)測分析，結(jié)果表明三種預(yù)測方法得到的預(yù)測結(jié)果相差不大，總體上廣東省GDP在未來將呈現(xiàn)出穩(wěn)步上升的趨勢。關(guān)鍵詞GDP；時間序列；移動平均法；指數(shù)平滑法；ARIMA模型目錄摘要: （p,q）（1,0）（1,1）（1,2）（2,0）（2,1）（2,2）AIC值17.799117.506217.526617.480817.500617.7490SC值17.946217.702317.771717.676917.745717.9450通過表4.2發(fā)現(xiàn)，選取ARMA(2,0)模型的AIC值和SC值最小，因此本文認為廣東省GDP的時間序列的最優(yōu)模型為ARIAM(2,2,0)。通過EVIEWS軟件實現(xiàn)該模型的參數(shù)估計結(jié)果如下圖4.5：圖4.5ARIMA(2,2,0)模型參數(shù)估計結(jié)果根據(jù)圖4.5中的參數(shù)估計建立ARIMA(2,2,0)模型表達式為： 1+0.4859B+0.5868B2?其中，Xt為在t時期的觀測值，at為白噪聲過程。B為后移算子，?=1-B。去掉差分形式后可得最終模型表達式為：Xt4.5模型檢驗在完成模型識別和參數(shù)估計工作后，需要對ARIMA（2,2,0）模型進行殘差序列檢驗，從而判斷所建立的模型是否符合要求。對殘差序列進行Q檢驗。結(jié)果如圖4.6所示：圖4.6殘差序列自相關(guān)圖和偏自相關(guān)圖通過圖4.6，我們可以清楚的看出殘差序列的AC值和PAC值都是比較小的，而且擬合檢驗統(tǒng)計量的Prob值都比較大，均大于0.05。同時所有的相關(guān)系數(shù)都在置信限內(nèi)。因此，我們認為該殘差序列即為白噪聲序列。預(yù)測值與實際值序列圖見下圖4.7：圖4.7預(yù)測值與實際值序列比較圖通過圖4.7可以看出，預(yù)測值相對接近實際值，預(yù)測誤差相對較小，而且大部分殘差序列都在誤差范圍內(nèi)。總而言之，表明建立的ARIMA（2,2,0）模型適合該時間序列。4.6模型預(yù)測與評價根據(jù)建立的ARIMA（2,2,0）模型的表達式，對廣東省2019和2020年兩年GDP進行預(yù)測,并計算相對誤差，結(jié)果見表4.3：表4.3廣東省2019-2020年GDP預(yù)測值與實際值比較年份實際值預(yù)測值絕對誤差相對誤差2019107986.9108512.3525.40.49%2020110760.9117170.86409.95.78%通過表4.3的驗證我們可以知道，預(yù)測結(jié)果的相對誤差為0.49%和5.78%，平均相對誤差在3%左右。這說明建立的ARIMA(2,2,0)預(yù)測效果是可以接受的。利用公式（4.3）對廣東省未來兩年的GDP做出預(yù)測，把對應(yīng)年份的實際值代入，結(jié)果見下表4.4：表4.4廣東省2021-2022年GDP預(yù)測值年份20212022預(yù)測GDP（億元）116564.73124308.17從表4.4可以看出2021-2022年廣東省GDP呈現(xiàn)出上升的趨勢。雖然在建立ARIMA模型時往往需要大量的樣本數(shù)據(jù)作為支撐，計算過程復(fù)雜，付出的代價也比較高，但是其具有適用范圍廣泛，是一種適用于所有時間序列的發(fā)展形態(tài)的高級方法，在建立模型時僅僅依靠數(shù)據(jù)本身即可，在預(yù)測過程中考慮到經(jīng)濟在時間上的依存性和隨機波動的干擾性，這就是ARIMA模型相比于其他預(yù)測方法的優(yōu)勢所在。5.總結(jié)與展望5.1全文總結(jié)本文選用時間序列分析為理論基礎(chǔ)，利用2000-2018年作為樣本數(shù)據(jù)建立了二次移動平均模型、指數(shù)平滑模型和ARIMA模型分別對廣東省GDP進行預(yù)測，并且把2019和2020年預(yù)測值與實際值的進行比較。結(jié)果如下表：表5.1三種模型的相對誤差比較結(jié)果年份移動平均法指數(shù)平滑法ARIMA模型2019年0.29%0.33%0.49%2020年4.63%5.40%5.78%通過觀察表5.1對比結(jié)果可以發(fā)現(xiàn)三種預(yù)測模型得到的2019和2020年預(yù)測值與實際值的相對誤差的差距不大，說明建立的模型是預(yù)測效果是良好的，2020年誤差相對較大表明疫情對經(jīng)濟的影響是比較大的。為了充分利用所有數(shù)據(jù)，加上2019年和2020年實際數(shù)據(jù)對廣東省2021和2022年GDP進行預(yù)測。由于模型都具有不同的優(yōu)缺點，預(yù)測效果也不盡相同，其中二次移動平均預(yù)測模型的預(yù)測結(jié)果增長最快，ARIMA模型次之，二次指數(shù)平滑預(yù)測模型的預(yù)測結(jié)果增長最慢。三種模型預(yù)測的結(jié)果都表明未來兩年廣東省GDP值將會呈現(xiàn)逐年上升的趨勢。本文的預(yù)測模型得到預(yù)測的結(jié)果是比較符合實際的，由此看來時間序列預(yù)測法是一種預(yù)測比較精確的預(yù)測方法。加上模型的創(chuàng)建相對簡單，只要依靠樣本數(shù)據(jù)本身就可以實現(xiàn)建模，在現(xiàn)實生活中有著廣泛的適用性。在應(yīng)用時間序列預(yù)測法時需要根據(jù)實際條件、其它因素的影響以及各種模型的優(yōu)缺點來綜合考慮，從而選擇適合的模型。5.2不足與展望首先本文所采用廣東省2000-2020年GDP數(shù)據(jù)作為基礎(chǔ)，數(shù)據(jù)量一共有21個，可能由于數(shù)據(jù)量的不足導(dǎo)致模型預(yù)測性能降低。其次本文主要采用數(shù)理統(tǒng)計和數(shù)據(jù)挖掘等方面的知識，基于廣東省GDP的時間序列建立預(yù)測模型，只是考慮了時間因素，而忽略了自然災(zāi)害和社會環(huán)境因素等諸多影響GDP的因素，如果發(fā)生重大突發(fā)事件或者政策改變都有可能超出本文的預(yù)測浮動范圍。因此，如果要對廣東省GDP進行更加精確的預(yù)測，需要進一步考慮其他因素的影響，進一步完善預(yù)測模型參考文獻Box,G.E.P.andJenkins,G.M.TimeSeriesAnalysis:ForecastingandControl[M].Holden-Day,SanFrancisco,1976HasanYasienTouama.ApplicationoftheStatisticalAnalysisforPredictionoftheJordanianGDPbyusingARIMATimeSeriesandHolt'sLinearTrendModelsfortheperiod(2003-2013)[J].MathematicalTheoryandModeling,2014.王振龍.應(yīng)用時間序列分析[M].北京：中國統(tǒng)計出版社，2010.白曉東.應(yīng)用時間序列分析[M].北京：清華大學(xué)出版社，2017.馬進軍.關(guān)于移動平均法的探討[J].廣西商專學(xué)報,1991(04):51-55.徐建新,嚴勇,嚴富海.指數(shù)平滑法在典型城市GDP預(yù)測中的應(yīng)用[J].水利科技與經(jīng)濟,2008(07):551-554.左山,魯晶晶,田磊,王學(xué)謙.簡單移動平均預(yù)測法在航材保障中的應(yīng)用[J].科技信息(學(xué)術(shù)研究),2008(30):87-88.張濤.用Excel進行質(zhì)量成本預(yù)測——基于移動平均法[J].中外企業(yè)家,2011(12):39-40.李守麗.時間序列模型在地級市GDP預(yù)測中的應(yīng)用[D].鄭州大學(xué),2013.魏杏.基于指數(shù)平滑法和ARIMA的交通量組合預(yù)測模型應(yīng)用研究[D].鄭州大學(xué),2014.陳瑤.基于時間序列分析的我國GDP預(yù)測模型[D].蘇州科技學(xué)院,2015.朱佳俊.關(guān)于我國GDP的預(yù)測方法研究[D].山東大學(xué),2019.許明燕.基于ARIMA模型和BP神經(jīng)網(wǎng)絡(luò)模型的江蘇省GDP預(yù)測分析[D].山東大學(xué),2020.李超楠.幾種山東省GDP的預(yù)測方法及其比較[D].山東大學(xué),2018.劉