中国CPI时间序列预测模型

本文利用中国1990—2008年的月度CPI数据,建立自回归移动平均结合模型（ARIMA）对2009年1—5月的CPI进行了预测,结果表明,ARIMA（1,1,2）是描述我国CPI变化趋势相对较优的时间序列模型。     

时间序列分析在对国家工业总产值预测分析中的运用

通过引入Box-jenkins的随机时间序列ARMA(p,q)和ARIMA(p,q)模型分析法,运用SAS软件系统对1980-2003年的国家工业总产值建立了ARIMA模型,作了预测分析,得到了较高的预测精度。与新获得的2004年的实际数据比较,误差很小,表明本文方法的可行性。     

基于GM(1,1)理论的中国居民消费价格指数预测模型研究

本文首先介绍消费者物价指数的概念,在此基础上介绍GM(1,1)的基本内容,从而构建中国居民物价指数灰色预测模型,继而利用2004年-2007年我国每年的CPI指数原始数据进行验证模型的可靠性,同时预测2008年的CPI将会下降的结论.模型预测结果良好,能够较真实的反映我国CPI的变化趋势.     

基于结构性断点检验 ARIMA模型的短期通货膨胀预测

运用Gregory C.Chow早期提出的断点检验方法对我国2000年1月份至2016年4月份的CPI同比增长率数据进行断点检验,首先确定2002年10月份与2009年2月份为两个结构性断点,并据以对全样本分三个区间分别建立ARIMA模型,然后将2016年5、6、7月份最终的预测结果与实际值进行对比,发现由2002年10月份到2016年4月份所建立的ARIMA模型有着较高的预测精确度,该模型适用于短期通货膨胀预测,能为管理通胀预期提供依据.     

碳排放约束下的江苏省能源消费量预测

煤炭消耗问题成为影响江苏经济发展的重要因素,解决好未来江苏巨大的煤炭供需缺口,分析预测江苏未来的煤炭消费,可以为江苏战略性能源开发供应提供依据,从而保证全省经济社会的绿色发展。利用eviews分析并处理江苏省1985-2010年各相关历史数据,得到ARIMA模型的相关参数(p、q、d),运用时间序列分析法(ARIMA模型)对江苏省未来三大化石能源消费量进行预测,进而利用SPSS模拟曲线并进行预测得到未来十年的数据进行研究。     

国际石油价格与我国物价水平关系的实证研究

本文基于协整理论和向量误差修正模型(VEC)对2000年1月至2010年8月国际石油价格(WTI)、中国居民消费价格指数(CPI)和工业品出厂价格指数(PPI)之间的关系进行实证研究。结果表明国际油价和我国物价水平之间存在着长期稳定的均衡关系;WTI与CPI间不存在任何方向的Granger因果关系,WTI是PPI变动的单向Granger原因,CPI与PPI间存在双向的Granger因果关系。方差分解分析进一步表明:CPI和PPI对WTI的影响滞后且较弱,而WTI对CPI和PPI的影响也明显滞后,WTI对PPI的影响显著大于对CPI的影响;CPI对PPI的影响显著大于PPI对CPI的影响,这表明CPI与PPI间的相互影响存在着不对称性。     

基于乘积季节模型的湖南卫视收视率的分析与预测

以湖南卫视全天平均收视率为研究对象,考虑到收视率的周期性,引入ARIMA乘积季节模型对其进行分析与预测.对收视率序列做差分平稳化和消除季节性处理,再通过模型识别与定阶,确定选用ARIMA(4,1,1)×(3,1,1)7模型,建立模型并做参数估计.模型检验结果表明:该模型拟合效果好,预测值与真实值接近,误差较小.     

汇率及其它因素对中国CPI影响的实证分析

2009年11月,我国的CPI在这一年中首次转负为正,这一变化引起了广大人民的高度关注。为了探究CPI这一对人们日常生活有着重大影响的指数的变化原因,本文以建立总体回归模型以及误差修正模型的计量方法,得出了名义有效汇率、M2(广义货币)和国外进口商品价格这三个因素对于CPI有显著影响的结论,并在此基础上发现这三个因素的某些相邻期数之差也会对当期的CPI起到显著的影响。     

汇率及其它因素对中国CPI影响的实证分析

2009年11月,我国的CPI在这一年中首次转负为正,这一变化引起了广大人民的高度关注.为了探究CPI这一对人们日常生活有着重大影响的指数的变化原因,本文以建立总体回归模型以及误差修正模型的计量方法,得出了名义有效汇率、M2(广义货币)和国外进口商品价格这三个因素对于CPI有显著影响的结论,并在此基础上发现这三个因素的某些相邻期数之差也会对当期的CPI起到显著的影响.     

春节因素致使2月CPI涨幅扩大

春节因素致使CPI同比和环比涨幅双扩大——国家统计局城市司高级统计师余秋梅解读2015年2月份CPI、PPI数据国家统计局今天发布的2015年2月份全国居民消费价格指数(CPI)和工业生产者出厂价格指数(PPI)数据显示,     

ARIMA与BP神经网络混合模型在广西GDP预测中的应用

为改进单纯使用ARIMA模型或BP神经网络模型对GDP预测的效果,笔者以1978—2008年的广西GDP为样本,首先建立ARIMA模型,得到拟合误差序列及2009—2015年的广西GDP的初始预测值,再对误差序列构建BP神经网络并得到2009—2015年的误差预测值,最后,用误差预测值对初始预测值进行修正,得到修正后的2009—2015年广西GDP的预测值。结果表明,ARIMA与BP神经网络混合模型的预测结果显著优于单一模型的预测。     

基于RBF神经网络的中国CPI预测研究

文章将RBF神经网络模型引入到CPI预测领域,运用2001年1月至2010年4月间的国家统计局数据,通过Markway4.0建立CPI预测的数据网络模型。计算结果证明,RBF数据网络模型应用于CPI预测具有较高的精度和良好的泛化能力。     

基于小波与ARIMA的黄骅市降水和气温的分析研究

为探究黄骅市降水和气温的变化特征及演化趋势,基于1956—2020年黄骅市降水和气温资料,运用Mann-Kendall检验、累积距平、小波分析的方法,研究黄骅市降水和气温的演变特征与周期性规律,并基于1956—2015年的数据建立ARIMA模型,对该市2016—2020年的降水量、温度进行了拟合与对比分析。结果表明:1956—2020年,黄骅市多年平均降水量588.6 mm,多年平均温度12.7℃。1956—2020年黄骅市气温显著上升,降水量呈下降趋势。在55年的时间尺度上,气温和降水的小波方差均存在一个明显的峰值,且二者在该时间尺度上对应的周期均为37年。年均温度与月降水量的最优模型分别为ARIMA(0, 1, 2)、ARIMA(1, 0, 0),实测与模拟值相对误差不超过22%。     

中国消费者物价指数预测——基于小波变换与支持向量回归的分析

将小波分析和支持向量回归(SVR)模型引入消费者物价指数CPI的时间序列分析中,利用小波降噪对原始时间序列进行小波变换,充分提取和分离金融时间序列的各种隐周期和非线性,把小波分解序列的特性和分解数据随尺度倍增而倍减的规律充分用于SVR支持向量回归模型的建模。将该方法应用于中国宏观经济指标CPI的分析与预测,可以有效预测CPI的变动方向,并显著提高CPI的预测精度。     

跑赢负利率

数据显示去年第四季度的国民消费价格指数(CPI)比上年上升了16％。而国家权威部门和经济专家的普遍预测是，2004年的CPI将在3％以上运行。众所周知，如今银行存款1年期的利率为1．98%，扣除利息税．实际存款利率只有1．58％。如果以CPI为3％来计，老百姓的1年期存款的实际利率为1．58％-3％=-1．42％。这是什么含义?意味着你将10000     

ARIMA模型在安徽省GDP预测中的研究与应用

中国省区经济是国民经济的重要组成部分,是一个相对独立的研究对象。文章简要介绍了求和自回归移动平均模型ARIMA（p,d,q）及其建模方法,通过分析1978～2008年安徽省GDP相关数据,运用Eviews统计软件和ARIMA建模方法,将ARIMA模型应用于安徽省GDP数据的分析与预测,发现该模型的预测效果比较显著,与实际情况较符合。     

ARIMA模型在省级全社会固定资产投资预测中的应用

ARIMA模型较好地解决了非平稳时间序列的建模问题,并且在时间序列的短期预测方面有很好的表现,借助于EViews等统计软件,可以方便地将ARIMA模型用于时间序列问题的研究和预测。利用河南省1989至2006年的全社会固定资产投资总额数据,运用计量经济学软件EViews,基于时间序列分析方法建立相应的ARIMA模型,进行预测分析,为各级政府和企事业单位相关的管理决策,提供数量化的参考信息。     

福建省居民消费价格变动的影响因素分析及走势判断

以1990-2009年数据为样本,对影响福建省居民消费价格指数的各个经济变量,通过主成分提取的方法进行解析,发现与＂经济规模和商品成本＂有关的因素为推动CPI变动的主要力量。根据文中模型可预测,2010年上半年福建省CPI仍会在高位运行,但不会出现明显的通货膨胀。     

城市空气质量指数的时间序列分析和预测——以扬州市为例

城市空气质量指数是反映城市环境宜居水平的重要指标,预测城市空气质量指数可以为政策制定提供重要的参考依据。选取扬州市2014—2022年的空气质量指数(AQI)进行时间序列分析,采用的时间序列模型有自回归积分滑动平均模型(ARIMA)、先知模型(Prophet)以及人工智能领域的长短期记忆模型(LSTM)。通过这些模型分析扬州市空气质量指数的周期性、季节性和趋势特征,并对空气质量指数进行预测。结果显示,基于人工智能的长短期记忆模型具有很强的预测能力。     

旅游需求预测的ARIMA乘积季节模型构建及实证分析——以桂林市为例

主要研究乘积季节模型在桂林市旅游需求预测中的应用,通过对桂林市旅游人次2000年1月至2008年5月(共113个月)的月度资料来进行实证分析,采用差分方法对序列资料进行平稳化,然后进行模型定阶并估计其参数,建立了桂林市旅游人次的乘积季节预测模型ARIMA(2,1,1)×(1,1,1)12。对模型进行诊断检验,结果表明,用该乘积季节模型对桂林市旅游人次的拟合效果较好。最后,利用此模型对桂林市2008年6月至12月旅游人次数量的趋势进行了预测,与实践有拟合较好。