基于ARIMA模型的湖北省CPI时间序列分析及预测

金融危机后,伴随着世界经济的快速增长,通货膨胀问题越来越严重,物价上涨厉害。本文利用湖北省2008年9月至2011年这4年(32个月)的月度数据,对湖北省CPI序列建立求和自回归移动平均(ARIMA)模型。结果表明,疏系数模型ARIMA((1,3,10),1,(2,3))是描述湖北省CPI变化趋势较优的时间序列模型。本文利用此模型对2011年5、6、7月的湖北省CPI指标进行了预测并提出了相应的建议。     

金融危机后我国居民消费价格指数时间序列分析及预测——基于ARIMA模型

金融危机后,我国实施四万亿财政政策,带动经济快速发展,但政策的滞后性引起了近几年通货膨胀的急剧增长,甚至达到2011年的最高位6.5％.本文以我国2008年9月-2011年12月这四年(40个月)的月度数据,对我国CPL序列建立求和自回归移动平均(ARIMA)模型,结果表明,ARIMA(2,10)是描述我国CPI变化趋势的较优的时间序列模型.本文利用该模型对2012年1、2、3、4月的我国CPI月度数据进行了相应的预测.最后针对研究结果,给出相应的建议.     

湖北省CPI时间序列分析及预测

本文利用湖北省2002-2009年这8年96个月的月度数据,建立求和自回归移动平均模型(ARIMA)对2010年1-4月的湖北CPI进行了预测,结果表明,ARIMA(1,1,0)是描述我省CPI变化趋势相对较优的时间序列模型。     

基于乘积季节模型的陕西省CPI的分析与预测

居民消费价格指数(简称CPI)是综合反映居民购买的生活消费品和服务价格水平的变动情况的重要指标。本文基于乘积季节模型对陕西省2001年1月至2012年12月144个月份的CPI数据进行实证分析,建立ARIMA(p,d.q)×(P,D.Q)12模型,结果表明该模型为反映CPI变化规律较优的模型,最后利用该模型对陕西省2013年各月CPI进行预测。     

香港居民消费指数的变化趋势研究——使用ARIMA模型进行拟合和预测

本文利用ARIMA季节模型拟合自2004年12月以来香港个人消费总值变化值,并对2015年第四季度,2016年四个季度、2017年的前三个季度,总共八个季度进行了预测。拟合结果显示,香港CPI自2004年第四季度至2015年第三季度的CPI值符合模型(即模型)同时具有季节性和上升趋势。     

基于ARMA乘积模型的CPI指数分析及预测

CPI指数是一个相对滞后的数据指数,通常是反映市场经济的一个重要指标。本文选取我国1990年1月至2013年11月共287个月份的CPI指数数据,对CPI序列建立乘积模型ARMA(1,1,1)×ARMA(0,1,1)12。结果表明,该模型是描述全国CPI变化趋势较优的时间序列模型。最后,本文利用此模型对2013年12月、2014年1-4月份的全国CPI指标进行了预测,并提出了相应的政策与建议。     

中国生活能源热力消费的ARIMA模型及预测

本文利用ARIMA模型,对1980-2009年中国生活能源热力消费量序列进行分析,建立了差分自回归移动平均模型ARIMA(1,2,0)。检验结果表明,ARIMA(1,2,0)模型对原始数据序列有着较好的似合效果,模型的预测效果良好,可用于短期内中国生活能源热力消费量的预测。在此基础上,对我国2010-2014年的生活能源热力消费量进行了预测,最后给出了结论及建议。     

ARIMA模型在湖北省GDP预测中的应用——时间序列分析在中国区域经济增长中的实证分析

本文介绍求和自回归移动平均模型ARIMA(p,d,q)的建模方法及Eviews实现。广泛求证和搜集从1952年到2006年以来湖北省GDP的相关数据,运用统计学和计量经济学原理,从时间序列的定义出发,结合统计软件EVIEWS运用ARMA建模方法,将ARIMA模型应用于湖北省历年GDP数据的分析与预测,得到较为满意的结果。     

ARIMA模型在云南省GDP预测中的应用

从云南省经济发展的实际情况出发,以1978～2013年云南省GDP统计资料为依据,将这些数据进行平稳化、零均值化处理,并利用序列的自相关函数、偏自相关函数的性质确认序列应当适合的模型,利用时间序列模型中的ARIMA模型中的Box-Jenkins方法,对云南省1978～2013年的GDP数据序列进行建模分析,验证该序列的时间序列特性,研究并选择了序列的最佳ARIMA(1,1,1)模型。模型实证分析的结果表明:在时间序列分析建模与预测方面Box-Jenkins方法是精度较高且切实有效的方法模型。     

通货膨胀与农产品价格变动关系浅析

本文采用了格兰杰因果关系检验和向量自回归模型(VAR)来研究居民消费价格指数(CPI)和农产品价格指数(API)的变动关系。并且在进行格兰杰因果关系检验之前,采用了扩展的迪克—福勒检验(Augmented Dickey-Fuller Test)来检验了这个时间序列的平稳性。选取了1989—2009年的数据,最后得出的结果是,API的变动不是引起CPI的原因,但是会影响到CPI的变动。结合这样的检验结果从宏观经济形势、农产品供求、农业生产成本变化和国际市场影响等方面分析农产品价格上涨的原因。     

基于CPI的价格总水平影响因素计量模型分析

本文以CPI衡量价格总水平，并从宏观环境中选取八个经济指标综合并考虑其滞后因素构建CPI的影响因素指标体系，建立计量模型分析，运用多种方法对时间序列平稳性及模型进行了检验并修正碍出优化后的模型。最后．根据模型结果对可调控变量提出政策建议。     

ARIMA模型在四川民族地区GDP预测中的应用研究

应用时间序列模型中单整自回归移动平均模型ARIMA(p,d,q)的建模过程,依据1990-2011年四川民族地区GDP数据,建立ARIMA(1,1,0)模型,并结合Eviews5.0统计软件实现对模型的检验。结果显示,模型具有较好的预测效果和现实意义,可为四川民族地区制定经济发展目标提供决策参考。     

基于ARIMA模型的全国公路货运量预测

本文利用2006年1月到2012年9月的全国公路货运量的时间序列数据,使用eviews 6.0软件,运用单整自回归移动平均模型即ARIMA模型,对模型进行了识别、定阶、适应性检验,最终建立了一个ARIMA(3,1,3)的预测模型。通过该模型预测了2012年我国传统的公路货运大月12月的公路货运量将达到惊人的32.275亿吨,再创历史新高。     

基于ARIMA模型的汇率预测研究

本文采用2010年7月1日至2013年11月30日的人民币兑美元汇率周平均值,建立了ARIMA模型,对并汇率序列进行预测和评价。实证结果表明,ARIMA(2,1,2)模型预测结果比较成功,基本能反映人民币升值的趋势。     

基于ARIMA模型的我国人民币汇率的时间序列分析

大多数经济时间序列呈现非平稳性,因而不能直接用ARIMA模型进行分析。但是通过对原始序列进行差分,将其转换为平稳时间序列,再用ARIMA模型进行建模。本文通过对2000-2010年我国人民币汇率时间序列的分析,预测2010年6-12月数据,并证实了ARIMA模型是一种很好的短期预测模型。     

基于ARIMA模型的上证50指数的分析及预测

上证50指数是中国股票指数期货中一个重要的品种,它是挑选上海证券交易所上规模大、流动性好的最具代表性的50只样本股构成,从而反映市场上最具有影响力的一批龙头企业的整体状况,因此对其研究具有非常重要的意义。本文根据数据的时间序列的特性,选取2004年1月到2016年11月每日收盘价为原始数据作为研究对象,利用数据时间序列特性具有优势性的差分自回归移动平均模型(ARIMA模型)建立ARIMA模型对其进行定量分析,并且对未来走势进行预测。     

中国通货膨胀与其不确定性的关系实证

基于1983年1月至2011年6月的中国CPI数据，本文构建ARIMA（12，1，0）-GARCH（1，1）-M模型对中国通货膨胀的不确定性进行了定量测度，同时实证发现通货膨胀与通货膨胀不确定性之间呈现显著的动态单向的正相关关系，较高的通货膨胀率引发通货膨胀不确定性，且具有明显的非对称性。     

基于全国的物价指数相互影响的实证研究

居民消费价格指数(CPI)与工业生产者价格指数(PPI)长期波动中有比较明显的一致性,研究两者的波动协调性关系对观察经济走势和调控CPI有一定的帮助.本文使用全国2003年到2012年的月度数据,通过拟合向量自回归模型辨别CPI与PPI的影响关系,同时使用协整检验、向量误差修正模型来分别反映两者的长期、短期关系.结果表明CPI与PPI存在协整关系,且相互影响最长时滞为4个月.     

基于时间序列的我国汇率走势预测的实证研究

本文在简单介绍汇率预测及时间序列模型的基础上,利用时间序列模型中的ARIMA模型和EGARCH模型,分别对我国汇改以后的人民币/美元日汇率值进行实证研究,并对结果进行分析比较,结果表明EGARCH模型相对于ARIMA模型结果更加可靠,更适合于预测人民币/美元的日汇率走势。     

基于时间序列的我国汇率走势预测的实证研究

本文在简单介绍汇率预测及时间序列模型的基础上,利用时间序列模型中的ARIMA模型和EGARCH模型,分别对我国汇改以后的人民币/美元日汇率值进行实证研究,并对结果进行分析比较,结果表明EGARCH模型相对于ARIMA模型结果更加可靠,更适合于预测人民币/美元的日汇率走势。