中国人均GDP时间序列模型建模研究

本文对中国人均GDP1949年至2004年时间序列进行研究,建立了用于预测的时间序列模型,结果为ARIMA(1,2,1)。     

中国人均GDP时间序列建模与相关分析

人均GDP是衡量一个国家和地区经济发展水平和综合经济实力的重要指标。本文在相关背景下收集了1978-2008年中国人均GDP时间序列数据,应用了SPSS软件进行数据分析并建立时间序列模型,利用模型预测了2009,2010年人均GDP数值,对制定相应的宏观调控政策有十分重要的意义。     

对全国发电量时间序列问题的经济计量建模分析

经济计量问题从某种意义上来说就是对数据的规律性认识,以及应用这种规律性来指导预测和决策。从数据所属的时空界限来分,我们可以将数据分为截面数据和时间序列或者是二者的合成数据。并且随着时间序列分析方法的完善,尤其在长期决策中时间序列分析也变得越来越常用。本文给出时间序列的B-J方法详细论述,并结合全国发电量时间序列研究其应用价值。     

含有趋势时间序列的模型分析

本文首先提出两种含有时间趋势的模型，然后论证如果使用不正确模型来分析，将会得出错误的结论。     

山东省人均GDP时间序列模型的建立

人均GDP的增长具有其内在的规律性。从山东省的实际情况出发,以1978--2002年山东省逐年人均GDP的统计数据为依据,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,从而建立其时间序列模型。     

基于ARMA模型的上海市人均GDP时间序列分析与预测

本文分析了上海市人均GDP水平时间序列(1978年至2008年),在将数据平稳化的基础上建立自回归移动平均模型(ARMA模型),从中找出上海市人均GDP序列变化的规律,并在此基础上对未来几年的指标数值进行了预测。     

基于ARMA模型的上海市人均GDP时间序列分析与预测

本文分析了上海市人均GDP水平时间序列（1978年至2008年）,在将数据平稳化的基础上建立自回归移动平均模型（ARMA模型）,从中找出上海市人均GDP序列变化的规律,并在此基础上对未来几年的指标数值进行了预测。     

基于时间序列的郑州市人均生产总值的预测

随着社会经济的不断发展、生活水平的提高及人口的增加,通过GDP这一宽泛的指标来反映一个地区经济的发展状况是不准确的。由于GDP不能很准确地反映平均每个人的生活水平,而人均GDP则能弥补GDP的这点不足。因为人均GDP=总产出/总人口,它是一个既考虑经济总量大小又考虑人口数量因素的综合性指标,所以常常用来了解和把握一个国家或者地区的宏观经济运行状况、发展水平和人民生活水准。所以论文利用ARIMA模型对人均生产总值进行短期的预测。     

对经济增长的时间序列分析

时间序列分析在经济运用中作用十分明显。利用1980～2003年国内生产总值的相关资料,运用时间序列分析,应用SAS软件对经济增长时间序列进行模型识别、拟合、估计和预测,预测结果较为满意。而改革开放以来,投资在经济增长中的作用越来越明显,在对经济增长序列进行时间序列分析的同时,也结合回归分析建立经济增长和投资的回归-时间序列组合模型来进行分析。     

基于时间序列分析的我国能源需求的预测

随着世界主要能源价格的大幅上涨和中国经济的强劲上升,中国能源需求已成为世界关注的焦点。本文利用时间序列分析方法中的自回归求和ARIMA模型,对我国1963-2008年的能源消费总量数据进行了实证分析,构建了能源消费总量数据预测模型,以此准确地预测我国能源需求,最后证明该模型能够很好的描述我国能源消费总量的动态演变规律,并且s在此基础上对我国未来的能源需求进行了短期预测,同时,给出了结论及建议。     

结构时间序列模型在经济预测方面的应用研究

本文开发了一种新的经济时间序列预测方法——利用结构时间序列模型进行预测。在结构时间序列模型中由经济指标分解得到的趋势、循环、季节及不规则因素是不可观测的变量，不能利用传统的回归分析方法求解模型，因此，本文采用状态空间方法来求解结构时间序列模型。本文通过ARIMA模型来研究经济时间序列的结构，在此基础上建立了不同形式的结构时间序列模型，并利用结构时间序列模型对我国社会消费品零售总额、狭义货币供给量(M1)和国内生产总值(GDP)等经济时间序列进行了预测。实证研究表明，结构时间序列模型具有良好的预测效果。从而为经济时间序列预测提供了一种新的有效方法。     

三亚旅游饭店与旅游经济增长的时间序列分析

本文运用序列分析方法,基于2012—2017年三亚旅游饭店的季度统计数据,从预测指标的时间序列中找出三亚旅游饭店入境游客接待量和外汇收入与三亚旅游外汇总收入之间的关系,进而探究旅游饭店的两个指标与三亚旅游外汇总收入的演变模式,并对预测指标的未来发展趋势做出定量估计。     

我国人均国内生产总值的时间序列分析(1952-2011)与静态预测(2012-2015)

国内生产总值是最重要的宏观经济指标,人均国内生产总值是衡量国家发展程度与人民生活水平的重要标志。党的十八大报告提出到2020年全面建成小康社会,实现GDP和人均收入比2010年翻一番的目标,因此对我国人均国内生产总值进行时间序列分析与静态预测对实现GDP总量翻番的目标具有重要意义。文章从国内生产总值和时间序列模型的基本理论出发,选取了自1952年至2011年人均GDP的60个样本数据,建立了以时间序列为基础的AR(1)模型,模型通过了EViews软件中的所有检验,模型的精度较高。文章利用AR(1)模型对2012年至2015年的人均GDP做出了预测,预测结果表明,至十二五期末,我国的名义人均GDP基本可实现比2010年翻一番的目标。     

利用时间序列与截面结合数据估计分布滞后模型

一、理论说明由于心理上、技术上与制度上的原因,一个经济变量对另一个相关经济变量的反应,并不总是在当时就能够全部表现出来,而是往往要延续一段时间,这就是时间滞后现象。分布滞后模型就是描述这种常见现象的经济计量模型,其一般形式为:     

基于模糊时间序列的预测模型——以上证指数为例

模糊理论使用语义变量本身所蕴含的特性,能减少处理问题时的不确定性所带来的困扰,被广泛的应用于各种领域的研究。首先回顾了基于模糊理论的模糊时间序列定义,对现有的模糊时间序列模型进行分析;在此基础上提出了一种新的模糊时间序列预测方法,以上证指数为对象进行了拟合。从结果看,新的基于模糊时间序列预测方法在MSN、平均误差(%)和标准误差(%)等指标上要优于现有的的预测方法。     

基于银行间国债回购利率时间序列的实证分析

预测市场利率的走势，对于商业银行利率风险管理非常重要。依据国债7天和14天回购利率数据，本文建立了利率预测综合自回归移动平均模型(ARIMA)和误差修正模型(ECM)。模拟结果表明，ARIMA模型不太理想，而ECM模型效果较好。     

基于我国CPI时间序列的神经网络预测模型

近年来,我国的居民消费价格指数涨幅屡创新高。根据我国1990年-2008年的CPI时间序列,首先利用时间序列分析方法确定输入向量,然后应用改进BP算法的人工神经网络分别预测出2011年和2012年我国CPI将分别为104.9和105.2,实验结果证实了BP神经网络模型用于CPI预测的准确性和可行性。     

正则化的时间序列AR模型及其在经济分析中的应用

通过添加一个正则化因子OC,使时间序列AR（n）模型的最小二乘估计（X’X）-’X’Y变为（X’X＋αl）-^1X’Y,改善了时间序列分析模型中信息矩阵的病态程度,避免了时间序列分析模型产生不适定;经济统计数据分析表明,新的正则化时间序列分析模型在一定程度上起到了稳定所求参数的作用。     

正则化的时间序列AR模型及其在经济分析中的应用

通过添加一个正则化因子α,使时间序列AR(n)模型的最小二乘估计(X′X)-1X′Y变为(X′X+αI)-1X′Y,改善了时间序列分析模型中信息矩阵的病态程度,避免了时间序列分析模型产生不适定;经济统计数据分析表明,新的正则化时间序列分析模型在一定程度上起到了稳定所求参数的作用。     

基于ARMA平稳时间序列的机票价格预测模型——以山海关机场为例

伴随着网络订票平台的普及,越来越多的人选择这些平台来订购飞机票,然而航空公司会根据自己的一套复杂定价机制随时调整机票价格,机票的价格波动幅度比较大。文章基于山海关机场的某航线,连续追踪了半年的数据建立了时间序列模型,并给出了预测机票价格的ARMA模型,为顾客节省费用提供了一定的理论依据以及实际帮助。