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。     

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.     

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ARIMA模型的中国钢材市场价格预测

本文以中国钢材市场价格为研究对象,选取了8种主要钢材品种2004年1月到2010年11月的价格数据,通过模型识别,建立ARIMA模型来预测中国钢材市场2010年9月至11月的钢材价格,通过比较预测结果,确定在允许的误差范围内,最终给出2010年12月至2011年3月这四个月的钢材预测价格。     

基于组合模型的浙江省GDP预测研究

区域GDP的发展趋势是高速公路规划和建设的重要参考依据。基于浙江省1978—2019年的GDP数据,分析数据特性,构建预测模型,掌握发展规律。首先,将GDP数据转化为时间序列,建立ARIMA（2,2,0）模型;其次,将GDP数据以滑动窗口的方式生成输入矩阵,建立BP神经网络模型;最后,利用ARIMA分析GDP时序的线性部分,利用BP神经网络分析GDP时序的非线性部分,建立组合模型。通过计算相对误差比较模型的预测效果,3个模型的平均相对误差分别为6.30%、13.10%、6.08%。结果表明,组合模型的平均相对误差最小,预测效果最好。     

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.     

时间序列与BP神经网络在新疆GDP预测中的对比分析

根据新疆维吾尔自治区2009年统计年鉴中的数据,构建并选用合适的时间序列模型、BP神经网络模型,对2004年-2008年的新疆GDP进行预测,并用预测结果与实际值求得相对误差,然后将两种模型的误差进行比较。结果表明,BP模型应用于新疆GDP预测较时间序列预测有较高的预测精度和良好的泛化能力。     

天津市人均GDP时间序列模型及预测

大多数经济时间序列存在惯性或者说是迟缓性，通过对这种惯性的分析可以由时间序列的当前值和过去值对未来值进行预测。用ARMA模型可以对天津人均国内生产总值（1978—2004）时间序列进行建模和短期外推预测。     

ARIMA模型在西安卫星城建设预测中的应用

卫星城在社会主义市场经济中是一个新生事物,对于西安市来说,加快卫星城建设,促进城乡一体化,是缩小城乡差距,缓解城市中心区人口压力,实现产业链深度整合,提高城市竞争力的一个非常重要的战略。文章以1988年～2008年西安市及其六个卫星城的人口总量为基础,借用ROXY指数并运用ARIMA模型对ROXY指数进行预测,得出西安市目前及未来几年仍处于人口集聚状态,确定西安市卫星城建设应既包括伦敦式又包括巴黎式。     

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。     

基于组合预测模型的我国GDP预测分析

利用中国1990—2009年的GDP数据,在建立指数曲线模型、ARIMA模型和三次多项式模型的基础上,以误差平方和最小为最优准则建立组合预测模型,对中国2010—2015年的GDP值进行预测。结果显示,组合预测模型的精度高于各个单项预测模型;2010—2015年的年均增长率为14.79%,我国国民经济仍以较快的速度增长。     

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。     

基于GARCH模型的上证指数与GDP波动性研究

中国的证券市场与宏观经济关系已进入弱相关阶段,本文通过使用ADF检验、ARCH效应检验、GARCH模型分析以及Granger检验对两者的波动性进行分析和研究。实证结果发现,中国的证券市场与宏观经济都具有非正态分布的特性。其次,证券市场不存在自回归条件异方差效应波动,宏观经济存在自回归条件异方差效应波动,并且GARCH(1,1)最适合描述宏观经济的自回归条件异方差效应波动,上证指数的预测与宏观经济的预测两者之间具有互相印证的关系。     

上海城市生态足迹动态研究——基于ARIMA模型

文章采用生态足迹模型对上海地区14年人均生态足迹和人均生态承载力进行了测算,结果表明,1999-2012年间,上海人均生态足迹以2010年为转折点呈现倒U形发展态势,人均生态承载力持续下降并逐渐趋向平稳,人均生态赤字处于稳定水平但依然很高。以生态足迹模型计算结果为基础数据,采用ARIMA模型对14年间上海人均总生态足迹和各种土地类型的生态足迹演变进行了模拟和分析,并预测了未来5年内的变化趋势。预测结果表明,城市发展的快速转型使得上海地区生态状况逐渐好转。在预测基础上,将上海与部分省份的情况对比并进行了综合评价,提出了上海地区建设生态文明的建议和对策。     

The measurement of small-scale industry for China's GDP accounts

The shift to an economy driven by small-scale private industry requires an adaptation of China's statistical system to rely on sample survey methods rather than the comprehensive reporting that suited a state-dominated economy. In 1998, the number of enterprises reporting directly to the National Bureau of Statistics was reduced, but a system of aggregation through levels of the government hierarchy has remained in place for smaller enterprises pending the development of suitable sample survey techniques. A pilot survey will be conducted in Jiangsu Province for the first three quarters of 2001.     

BP神经网络在安徽省GDP预测中的应用

根据2008年安徽省统计年鉴中的数据,构建并选用合适的BP神经网络建立了安徽省GDP的神经网络预测模型。计算结果表明,BP模型应用于安徽省GDP预测具有较高的预测精度和良好的泛化能力,它为经济预测工作提供了一种全新的思路和方法。     

国际R&D强度增长模式及我国R&D强度增长趋势探析

通过对若干典型国家R&D强度变化情况的分析,得出R&D强度变化大体遵循三种模式:"强S型"增长模式、"S型"增长模式和"弱S型"增长模式。根据《规划纲要》要求,从2001年到2020年,我国R&D投入应遵循"S型"增长模式。现阶段我国的R&D强度变化趋势与"S型"增长模式基本相符。要实现2020年的发展目标,应通过建立健全制度化的政策体系,在今后若干年适当加大对R&D的投入。