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。     

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。     

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。     

ARIMA模型在零售业预测研究中的适应性分析——以江阴市为例

ARIMA模型预测研究是通过估计诊断序列对象统计量位置参数信息,揭示经济现象所蕴含的经济规律的重要方法。文章采用江阴市1978—2014年时间序列数据,对江阴市社会消费品零售总额相关统计量进行适应性分析,结果显示:ARIMA模型在零售业预测研究中提供了较为准确的模拟结果,具有较强的适应性,能较好应用于消费市场发展研究分析。     

风电功率预测

由于近地风具有波动性、间歇性、低能量密度等特点,因而风电功率也是波动的。因此,对风电场的发电功率进行预测,有利于电力调度部门根据风电功率变化预先安排调度计划,保证电网的功率平衡和运行安全。为进行此研究,可利用大量时点的风电功率历史数据,并运用SPSS、eviews等软件进行统计分析以及建立了合适的预测模型对题目进行求解。本次建模主要运用了时间序列分析法(ARIMA模型)。时间序列分析法中,采用eviews分析风电功率历史数据,得到ARIMA模型的相关参数(p、q、d),进而利用SPSS模拟曲线并进行实时预测得到各个时点的数据。在利用时间序列法建立ARIMA模型时,对模型各参数进行了详细的检验和测试,如ADF检验,通过ACI数值大小选取合适p、q值等等一系列优化模型的方法,进而提高了预测的准确率。     

基于VAR模型的安徽省FDI与GDP关系的动态计量分析

选取安徽省1985年-2008年外商直接投资（FDI）和地区国内生产总值（GDP）数据,建立VAR模型,对安徽省FDI和GDP之间的因果关系、相互间的影响关系以及相互作用的大小进行实证分析。结果表明,安徽省FDI与GDP具有单向的格兰杰因果关系,外商直接投资对GDP的增长具有正向推动作用,但是GDP增长对FDI的增长并未有明显推动作用。     

我国GDP时间序列模型的建立与实证分析

GDP的增长具有内在的规律性,本文以我国1954~2004年GDP的时间数据资料为依据,采用B-J方法,建立ARIMA模型,以揭示我国GDP增长变化的规律性,并对回归结果进行实证分析,由此对我国GDP增长情况做出分析。     

组合预测模型在安徽省人均GDP预测中的应用

本文以安徽省1990年至2007年安徽省人均GDP为样本,在三个单一预测模型的基础上建立了非最优正权组合预测模型。为了提高预测精度,引入最优线性组合预测模型,将几个单一预测模型有机地组合起来。综合各个预测模型的优缺点,通过使组合预测误差平方和最小,确定各单一预测方法的权重系数,得到最优线性组合预测模型,并对未来5年安徽省人均GDP进行了预测。研究表明该模型在实际预测工作中具有较好的实用性。     

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。     

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。     

基于CARR模型和GARCH模型的股市波动性预测研究

金融资产波动性建模和预测是金融理论与实践中的一个重要课题,已经有了许多建模与预测方法。本文利用我国股市的高频数据进行实证研究,分别运用CARR模型和GARCH模型进行波动性预测,进而对两个模型的预测能力进行对比,结果表明:CARR模型在波动性预测方面比GARCH模型的效果更好。     

探索ARIMA模型在我国社会消费品零售总额的应用

以2004年1月到2015年5月我国社会消费品零售总额的月度数据为研究对象,利用ARIMA模型对其进行时间序列模型分析,并且用Eviews对2015年6月到12月的数据进行预测。     

基于CARR模型和GARCH模型的股市波动性预测研究

金融资产波动性建模和预测是金融理论与实践中的一个重要课题,已经有了许多建模与预测方法。本文利用我国股市的高频数据进行实证研究,分别运用CARP,模型和GARCH模型进行波动性预测,进而对两个模型的预测能力进行对比,结果表明：CARP,模型在波动性预测方面比GARCH模型的效果更好。     

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。     

对外贸易与经济增长的关系研究——基于安徽省1981—2007年数据的实证分析

对外贸易是经济增长的发动机,不同区域对外贸易与经济增长之间的教量关系不尽相同。运用1981—2007年间安徽省的GDP、进口、出口和进出口总额的数据,建立回归方程,对安徽省外贸发展静经济增长的关系进行定量分析．得出进出口贸易额和GDP的增长具有显著的正相关性,并在时数据量化分析基础上,就增强安徽省对外贸易对经济增长的拉动作用提出政策建议。     

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.     

GDP增长与能源消耗关系的实证分析——以云南省煤炭、电力、石油为例

根据云南省1979年～2010年的GDP增长与能源消耗数据,对GDP增长所引起的云南省煤炭、电力、石油消耗情况分别建立线性模型,运用Eviews软件对数据进行处理分析,得出预测方程,并对结果进行研究.经研究发现:云南省GDP增长与能源消耗之间存在着较强的相关性;单位GDP能源消耗呈现出明显的倒U型;石油正逐步成为云南省能源消耗的重要组成部分.     

ARIMA模型在汇率预测中的应用

ARIMA模型作为统计预测中的一个重要模型,被广泛运用于各个领域中。本文试图将此模型应用于汇率预测,并对其预测效果进行评价。     

加工贸易对安徽省经济增长作用的实证分析

基于对安徽省加工贸易现状的总结、归纳,文章利用安徽省1999-2009年11年的时间序列数据,运用加工贸易增值系数法、加工贸易对GDP拉动度和线性回归三种实证方法,分析了加工贸易对经济增长的作用,并提出了若干政策建议。