对工业总产值的分析

对工业总产值的分析问题重述摘要：随着社会的发展，对工业的投入也逐渐增加。从而使工业得到迅速的发展。某地的工业也受到影响。于是有必要对工业总产值进行研究，以下是我们对该地区工业总产值的研究。分析该地区1990年1月到1997年12月工业总产值数据，建立时间序列模型分析该地区工业总产值变化特征并且用该模型预测1997年以后该地区工业总产值。关键字：时间季节因子差分自相关与偏相关ARIMA模型模型假设：某地区的工业生产总值在一段时间内保持稳步发展；符号说明：x：表示原时间序列；ilx：表示时间序列x的一阶对数差分；silx：表示序列ilx的一阶季节差分；snxd,,：表示对序列x做差分计算。问题重述：下表是某地的工业总产值数据表.年月199019911992199319941995199619971月1421.41757.81984.22179.12903.32996.73476.63843.842月1367.41485.71812.42408.72513.82740.32970.33181.263月1719.71893.92274.72869.434093580.93942.64404.494月1759.61969.82328.92916.73499.53746.34067.64520.185月1795.72033.72373.13022.13642.63817.94746.8994638.996月1848.121032515.83274.53871.44046.64417.2994969.937月1637.31836.322882862.933733483.93806.84146.8998月1637.61914.723212864.23463.43510.63746.34198.79月1637.62022.22441.129083663.743703.14011.14536.83910月1637.62045.12502.62911.83753.383810.74129.64783.9111月1637.62069.22608.83101.33973.1740914372.1995034.93912月1637.621362823.83664.34469.024650.7994991.55545.74要求:1.根据数据分析当地工业总产值的变化特征.2.根据变化特征试建立合理的模型描绘这种特征..3.若有季节性变化,试分离出季节性变化因子,求出季节性因子.4.对残差进行白噪声检验.5.预测1998年的工业总产值.问题分析：这是一个有关时间序列的问题，我们对数据分析得到数据有明显的增长趋势且改时间序列有季节性变化，于是需要利用Eviews软件对该时间序列进行差分变换后建立平稳的时间序列模型求解及预测。模型的的建立、求解与选择：1.时间序列特征分析：将数据绘制成折线图，如图1所示，序列具有明显的增长趋势，并包含有周期为12个月的季节波动。即有季节因子存在。图2是序列自相关图。由图1和图2可知，改时间序列为非平稳时间序列。因此需要对其进行调整使之变成平稳系列在进行求解。1,0002,0003,0004,0005,0006,00019901991199219931994199519961997TX图1工业生产值折线图图2序列自相关图为消除趋势同时减少序列的波动，即使之变成平稳时间序列。对原序列做一阶对数差分。差分后序列名为ilx，其自相关与偏向关分析图如图3所示。图3序列ilx自相关-偏相关分析图-.5-.4-.3-.2-.1.0.1.2.3.419901991199219931994199519961997ILX图4序列ilx折线图由图3，图4可见，序列的趋势基本消除，但是当k=12时，由图3知，样本的自相关系数和偏相关系数显著不为0。表明季节性还存在。因此对序列ilx做季节差分，得到新序列silx。为检验模型的预测的效果，我们这将1997年的12个观测值留出，作为评价预测的精度的参照对象。建模的样本期为1990年1月至1996年12月。绘制silx自相关和偏相关分析图，如图5所示。图5序列silx自相关-偏相关分析图由图5可知，序列样本自相关与偏相关系数很快落入随即区间，故序列趋势已基本消除，并且当k=12时，自相关与偏相关系数也明显减小。偏相关系数与0无显著差别。图5中自相关系数与0有显著性差别。我们对序列做二阶差分。查分后的得到新序列ssilx。如图6所示。图6序列ssilx自相关-偏相关分析图由图6可见,序列样本自相关与偏相关系数很快落入随即区间，故序列趋势已基本消除，并且当k=12时，自相关与偏相关系数没有减小,反而增大。对序列进行二阶差分，序列季节性没有得到明显改善。故对该序列只需要做阶一差分即可。对系列silx进行0均值检验的结果如下：得到该系列样本的平均数是m=-0.00199610271463，均值标准误差s=0.00437707563182，系列均值与0无显著性的差异，表明系列可以直接建立ARMA模型。2.模型识别因为经过一阶逐期差分，序列趋势消除，故d=1；经过一阶季节差分，季节性基本消除，故D=1.所以选用ARIMAM模型。取自然对术后的工业总产值序列为ilx。观察序列silx的偏相关图，如图4所示，p=2或3比较合适；自相关图显示q=1。考虑到AR模型是线性方程估计你，相对于MA和ARMA模型的非线性估计容易，参数意义也便于解释。故实际建模时用高阶AR模型替换相应的MA和ARMA模型。综上考虑，可供选择的（p,q）组合有：（2，1），（3，0），（3，1），（4，0）。由于k=12时，样本的自相关和偏相关系数都不为0，所以，P=Q=1。3.模型的建立为了方便直接对原序列x进行预测，Eviews提供了差分算子d（x，n，s）=（1-B）^n（1-B^S）x表明序列x做n次一阶逐期差分和一次步长为s的季节差分后的新序列。采用菜单式建立ARIMA(2,1,1)(1,1,1)^12模型。Eviews软件计算的结果如下：其中，sar(s)和sma(s)分别表示季节自回归部分和季节移动平均部分变量。表1模型参数估计与相关检验的结果DependentVariable:D(LOG(X),1,12)Method:LeastSquaresSample(adjusted):1992M041997M12Includedobservations:69afteradjustmentsConvergenceachievedafter29iterationsMABackcast:1991M031992M03VariableCoefficientStd.Errort-StatisticProb.AR(1)0.1320830.2630840.5020570.6174AR(2)-0.0275910.171315-0.1610560.8726SAR(12)0.1234240.1125011.0970920.2767MA(1)-0.6341830.230928-2.7462360.0078SMA(12)-0.8994650.035052-25.660940.0000R-squared0.580257Meandependentvar-0.001129AdjustedR-squared0.554023S.D.dependentvar0.067145S.E.ofregression0.044841Akaikeinfocriterion-3.301705Sumsquaredresid0.128683Schwarzcriterion-3.139814Loglikelihood118.9088Hannan-Quinncriter.-3.237477Durbin-Watsonstat2.022334InvertedARRoots.84.73+.42i.73-.42i.42-.73i.42+.73i.07+.15i.07-.15i.00+.84i-.00-.84i-.42-.73i-.42+.73i-.73-.42i-.73+.42i-.84InvertedMARoots.99.86+.50i.86-.50i.63.50+.86i.50-.86i-.00-.99i-.00+.99i-.50-.86i-.50+.86i-.86+.50i-.86-.50i-.99由表1可见，各滞后多项式的倒数根都在单位圆内，说明这个过程既是平稳的，也是可逆的。为了检验的预测效果，现在用ARIMA(2,1,1)(1,1,1)^12模型对我国1997年工业总产值进行预测，预测的结果如下：02,0004,0006,0008,00010,00012,00014,000199219931994199519961997IPF1±2S.E.Forecast:IPF1Actual:XForecastsample:1990M011997M12Adjustedsample:1992M041997M12Includedobservations:69RootMeanSquaredError295.1981MeanAbsoluteError221.7042MeanAbs.PercentError6.375371TheilInequalityCoefficient0.041483BiasProportion0.505659VarianceProportion0.003201CovarianceProportion0.491140图7预测值与真实值对比图图7预测值与真实值对比图，预测精度MAPE为6.375371.同理可建立ARIMA(3,1,1)(111)模型。计算及预测的结果如下：表2模型参数估计与相关检验的结果DependentVariable:D(LOG(X),1,12)Method:LeastSquaresSample(adjusted):1992M051997M12Includedobservations:68afteradjustmentsConvergenceachievedafter52iterationsMABackcast:1991M041992M04VariableCoefficientStd.Errort-StatisticProb.AR(1)-0.0326830.362563-0.0901430.9285AR(2)-0.1119360.200025-0.5596100.5778AR(3)-0.1495630.164816-0.9074580.3677SAR(12)0.0922740.1162910.7934790.4305MA(1)-0.4620600.355712-1.2989710.1988SMA(12)-0.8980630.035640-25.198000.0000R-squared0.584722Meandependentvar-0.000914AdjustedR-squared0.551232S.D.dependentvar0.067620S.E.ofregression0.045299Akaikeinfocriterion-3.266967Sumsquaredresid0.127224Schwarzcriterion-3.071129Loglikelihood117.0769Hannan-Quinncriter.-3.189370Durbin-Watsonstat2.028336InvertedARRoots.82.71+.41i.71-.41i.41+.71i.41-.71i.22-.52i.22+.52i.00-.82i-.00+.82i-.41+.71i-.41-.71i-.47-.71-.41i-.71+.41i-.82InvertedMARoots.99.86+.50i.86-.50i.50+.86i.50-.86i.46-.00-.99i-.00+.99i-.50-.86i-.50+.86i-.86+.50i-.86-.50i-.99预测02,000