基于ARIMA的PPI时间序列分析

ARIMA模型是一类精度较高的时间序列短期预测模型,本文借助于计量经济学软件Eviews对我国2010年5月到2012年7月PPI时间序列数据建立了ARIMA(0,1,1)模型,并对未来我国PPI的走势进行了预测分析.     

基于ARIMA模型的贵州省农业总产值预测分析

贵州省农业总产值是反映贵州省农业生产的总规模和总水平的重要指标。文章利用时间序列分析理论．对1978年至2010年的贵州省农业总产值进行了分析．建立了ARIMA模型并以此对贵州省农业总产值做了分析与短期预测。     

模式匹配在GDP时间序列预测中的应用

深入分析了自回归整合平均移动模型(ARIMA)以及时间序列在动态时间弯曲(DTW)距离下的匹配技术,并在此基础上建立了由多条时间序列集合而成的GDP整合时间序列预测模型。其基本思想是对与目标序列有着相同发展趋势的时间序列进行搜寻、匹配,并对这些具有相同历史进程时间序列所蕴含的信息进行充分的挖掘与利用,整合形成新的时间序列预测模型。仿真实验表明：整合GDP预测模型的预测准确率显著高于普通ARIMA模型的预测准确率,从而证实了整合时间序列模型用于GDP预测的准确性。     

我国社会消费品零售总额预测方法与实证分析

本文通过对我国社会消费品零售总额的影响因素进行分析,建立线性回归方程对2015年社会消费品零售总额进行预测。再通过时间序列分析方法中的时间序列模型(ARIMA),对我国2015各月份社会消费品零售总额进行预测。通过对比两种预测方法,时间序列模型预测结果较为准确,可为政府决策提供科学依据。     

基于时间序列分析的湖南粮食总产量预测

文章对比传统时间序列分析模型(线性回归、二项移动平均、一次指数平滑、二次指数平滑等)与ARIMA模型在湖南省粮食总产量中的拟合精度,并应用ARIMA(2,1,10)模型预测了未来3年内湖南省粮食总产量.结果表明,在湖南省粮食总产量拟合中,ARIMA(2,1,10)模型得到的粮食总产量拟合值与观测值的相对误差均方最小,优于传统时间序列分析模型;利用ARIMA(2,1,10)模型预测未来3年内湖南省粮食总产量,粮食总产量有逐年上升的趋势,且增长率逐年上升.     

GDP时间序列模型构建及预测——以四川省为例

ARIMA时间序列模型是利用变量过去的变动规律对未来值进行短期预测的合适模型,GDP是衡量一个国家或地区经济发展和宏观经济运行状况的一个重要参考指标.本文利用四川省1978-2012年的时间序列数据建立四川省GDP的ARIMA(1,1,0)模型并利用该模型进行短期预测,预测出四川省在2016年国民生产总值将突破4万亿元,在2010年基础上翻一番.     

甘肃省社会消费品零售总额的分析预测

文章根据甘肃省1978-2008年社会消费品零售总额的数据做了时间序列分析,建立了ARIMA(2,1,1)模型,此模型很好地拟合了数据序列,有比较精确的预测效果。     

X-11过程和ARIMA模型在煤炭企业物料需求预测中的应用研究

煤炭企业物料需求影响因素多而复杂,物料需求时间序列往往不平稳,如果采用较高的库存水平来应对非平稳需求会造成大量库存资金占用,从而影响企业经济效益.因此,如何准确有效地预测需求是非常重要的.文章以煤炭企业物料胶质线为例,采用ARIMA模型和X-11过程对其历史需求数据建模预测,结果表明运用ARIMA模型和X-11过程相结合建模预测能大大减小误差,提高预测的精确性,从而可以大大节约库存成本.     

湖北省社会消费品零售总额ARIMA模型与预测

本文首先根据1999年1月至2008年12月湖北省社会消费品零售总额数据建立了时间序列分析模型：ARIMA（2,1,1）（1,1,1）^12,并利用该模型对2009和2010年的社会消费品零售总额进行了预测和分析。     

基于ARIMA模型的海南旅游者人数预测

根据历年海南接待旅游者人数相关数据,分析海南接待旅游者人数的长期趋势、季节性和随机扰动等特征,应用SPSS软件,建立ARIMA时间序列模型,对海南旅游者人数进行预测。     

基于ARIMA模型的深证指数分析及预测

深证指数是指由深圳证券交易所编制的股价指数,对其进行深入研究具有非常重要的意义。文中使用时间序列ARIMA模型对深证指数进行定量分析,以2009年7月1日到2010年6月30日的日深证指数收盘价格为原始数据,通过对数据进行平稳、零均值化处理,模型识别和模型定阶,再使用最小二乘法估计参数后,最终建立了ARIMA(6,1,6)模型,并对模型检验证明有效后,对未来数据进行了短期预测。     

福建省GDP时间序列模型建立及实证分析

根据福建省1981—2011年GDP数据,利用Eviews6.0计量经济学软件和时间序列理论,建立了求和回归移动平均模型ARIMA(4,1,1),并根据模型进行实证分析,结果表明GDP预测效果较好,平均误差9.91%,并预测2014年GDP产值为22 569.578亿元。     

基于引力模型与ARIMA模型的城市旅游倾向预测

文章以山东威海、德州等7座城市为客源城市,对青岛的旅游倾向进行预测研究。首先从7个城市居民的旅游消费成本、到达青岛的距离、城市居民消费水平和大型活动对该城市居民的吸引力等作为考查该城市居民旅游目的地选择的四大因素,构造青岛市对山东省的其他7个城市游客的吸引力模型,并选取了模型中的量化指标,计算出相应的指标值;其次,根据青岛游客历史数据的波动特性构造了ARIMA(p,d,q)模型,并将非平稳的时间序列转变成平稳的时间序列进行计算;然后对两个模型进行估计与检验,通过检验发现,引力模型呈现出非常明显的线性关系,可信度大于99%,对时间序列进行ADF检验后为平稳序列;最后,分别利用两个模型预测出2018年青岛旅游人数,并根据设定的基数分别列出A、B和C三种预测方案,计算出2018年山东7座城市参加青岛啤酒节的人数。同时,根据原始数据和预测数据,将参加青岛啤酒节的人群分成了三类,并给出了合适每一类人群的预测模型,对青岛的旅游业的发展提供有力的借鉴。     

ARIMA模型在辽宁省GDP预测中的应用

本文通过建立时间序列模型对辽宁省1978年到2008年的实际国内生产总值时间序列数据进行了分析,经过合理筛选和选择,以ARIMA(1,1,1)模型作为最终模型,并以此模型预测了辽宁省2009-2011年GDP分别为14896.34亿元,17479.48亿元,20455.54亿元。预测误差分别为3%,0.7%。希望可以为辽宁省制定宏观经济政策提供定量依据。     

人民币汇率的ARIMA模型的预测

在简要介绍时间序列模型的基础上,使用美元/人民币的日汇率值进行实证研究,建立相应的ARIMA模型.本文试图将此模型应用于汇率的短期预测,并对其预测效果进行评价.     

中国CPI指数的时间序列分析

CPI指数是一个滞后性的数据,但它往往是市场经济活动与政府货币政策的一个重要参考指标.CPI指数稳定、就业充分及GDP增长往往是最重要的社会经济目标.文章利用SPSS、E-Views软件,将时间序列的ARIMA模型应用于中国地区CPI指数分析,通过对CPI指数进行拟合、预测分析,得到了较好的效果.     

我国能源消费的ARIMA模型预测

能源影响着我国社会经济的稳定持续发展，对未来能源消耗的准确预测具有重要意义。本文利用Box-Jenkins法的ARIMA模型，对我国1978年—2010年的能源消费总量数据序列进行分析，证明ARIMA（1，2，2）模型拟合较好，预测了2011年我国能源消费总量。实证分析结果表明，所选模型能较为精确地预测中国能源消耗情况。     

时间序列分析在成都GDP预测中的应用

本文基于时间序列理论,对成都市1980～2012年的GDP数据进行分析,初步建立AR（2）、ARMA（2,1）、MA（1）三个模型,再结合AIC准则和简约原则等,最终确定模型为ARIMA（2,3,0）.最后,利用所建模型做出预测,得到成都未来三年的GDP值.     

我国固定资产投资总额的动态分析——基于ARIMA模型

固定资产投资总额是影响一国经济增长的重要因素,对拉动国民经济的发展起着至关重要的作用。本文以我国固定资产投资总额为例,选取1982-2009年全社会固定资产投资总额的时间序列数据,利用Eviews软件对该数据进行计量分析,研究我国固定资产投资总额的变化趋势和特征,建立自回归移动平均模型即ARIMA模型,并据此模型对我国固定资产投资总额进行预测,分析未来投资规模趋势。     

基于ARIMA模型的吐鲁番市葡萄产量预测分析

党的十九大报告指出我国社会主要矛盾已经发生变化。从我国社会主要矛盾的变更可以看出,随着人民生活水平的日益提高,人们对水果的需求量逐渐增大。而新疆是全国面积最大的省,也是农业发展较好的省份,新疆吐鲁番市是我国最大的葡萄生产基地,堪称"世界葡萄植物园",葡萄产量分析对吐鲁番市葡萄产业的健康、可持续发展具有非常重要的意义。基于吐鲁番市葡萄产业现状,以1988—2017年的新疆吐鲁番市葡萄产量数据为依托,利用ARIMA模型对2018—2020年的葡萄产量进行预测。研究发现:ARIMA(3,2,1)模型的预测误差测度指标都较小且预测区间呈现喇叭形,这是时间序列预测的典型特点。因此,该模型对于吐鲁番市葡萄产量序列预测的效果还是较为准确的。