宏观经济学论文

您当前的位置:学术堂 > 经济学论文 > 宏观经济学论文 >

运用时间序列的建模方法对CPI指数序列拟合预测

来源:学术堂 作者:刘老师
发布于:2014-06-25 共2220字


论文摘要
  一、引言

  CPI 指数,即消费者物价指数(Consumer Price Index),英文缩写为 CPI,是反映与居民生活有关的产品及劳务价格统计出来的物价变动指标,是用来判断是否出现通货膨胀的重要衡量标准,如果 CPI 指数上升较为缓慢温和,则说明经济增长稳定,没有通货膨胀或通货膨胀轻微。

  受全球金融危机的影响,2008 年 8 月份开始,我国 CPI 指数一路下滑,自 2009 年 4 月份开始更是出现了连续 3 个月的同比负增长。短短 1 年时间,CPI 指数从 2008 年 4 月份的同比上涨 8. 5%变为 2009 年 4 月份同比下降 1. 5%.ARMA模型,即自回归移动平均(auto regression movingaverage)模型,许多学者将其运用于经济、旅游、能源、医学、环境等众多领域并获得了较好的成果.

  本文选择1990年1月至2013年11月共 287 个月的中国 CPI 指数为研究对象,应用乘积模型进行分析,运用时间序列的建模方法对该 CPI 指数序列进行拟合、预测分析,主要目的是给居民的消费行为和政府的政策决策提供支撑。

  二、基于 SAS、Eviews 软件的实证分析

  (一)绘制序列时序图

  我们用相关统计分析软件绘制序列时序图,时序图显示该序列前面一段时间有明显的一个峰谷,显然不平稳.

  (二)差分平稳化

  对原序列作1阶12步差分,希望提取原序列趋势效应和季节效应,得到差分后序列时序图,该时序图显示差分后序列类似平稳.

  (三)模型定阶

  为进一步进行平稳性判断,在此考察差分后序列自相关图的性质,并估计拟合模型的阶数。

  自相关图显示延迟12步自相关图系数显着大于2倍标准范围,这说明差分后序列中仍蕴含着非常显着的季节效应。延迟 1 步、2步的自相关系数也大于2倍标准差,这说明差分后序列还具有短期相关性.

  同样,观察偏自相关图得到的结论和上面的结论一致.我们可以用单位根检验进一步对差分后的数据进行检验其平稳性。Tau 统计量的 P 值显着小于 0. 05,可以认为序列显着平稳。我们用 SAS 在 identify 后面添加 minic 选项,根据 BIC 信息量最小原则,得出ARMA(2, 0)模型最优,即AR(2),所以尝试拟合ARMA模型,拟合效果不理想,拟合残差通不过白噪声检验。说明简单的 ARMA 模型并不适合于拟合这个序列。考虑到该序列既具有短期相关性又具有季节效应,短期相关性不能简单、可加性地提取,因而估计该序列的季节效应和短期相关性之间具有复杂的关联性。这时,通常假定短期相关性和季节效应之间具有乘积关系,尝试使用乘积模型来拟合序列的发展.

  乘积模型的构造原理如下:

  当序列具有短期相关性时,通常可以使用低阶 ARMA(p, q)模型提取;当序列具有季节效应,季节效应本身还具有相关性时,季节相关性可以使用以周期步长 S 为单位的 ARMA(P, Q)模型提取。

  由于短期相关性和季节效应之间具有乘积关系,所以拟合模型实质为假设短期相关和季节效应之间具有乘积关系,模型结构如下ARMA(p, q)和 ARMA(P, Q)的乘积。综合前面的 d 阶趋势差分和D 阶以周期 S 为步长的季节差分运算,对原观察值序列拟合的乘积模型完整的结构如下:

  论文摘要

  该乘积模型简记为 ARMA(p,d,q)×ARMA(P,D,Q)s.回到模型的定阶阶段,考虑到差分后序列短期相关性显着,尝试拟合乘积模型 ARMA(1,1,1)×ARMA(0,1,1)12.

  (四)参数估计使用条件最小二乘法估计方法得到参数估计值,如图:

  论文摘要

  (五)模型检验对拟合模型进行检验,上图显示该模型通过参数显着性检验(因为 P 值显着小于 0. 05),同时,模型也通过了残差白噪声检验。

  (六)最终模型由 SAS 结果可知拟合模型的口径为:

  论文摘要

  将序列拟合值和序列观察值联合作图,可以直观地看出该乘积模型对原序列的拟合效果良好。

  三、模型的预测

  为了验证模型预测的准确程度,我们现对2013年9月到11月年过去的三个月进行预测,并用真实值与预测值进行比较,结果如下所示:2013年9月预测值为102. 8470%,实际值为103. 1%;2013 年 10 月预测值为 103. 2154%,实际值为 103. 2%;2013 年 11 月预测值为 103. 5808%,实际值为 103. 0%.由结果可知,模型的预测效果是良好的。

  利用此模型对 2013 年 12 月、2014 年 1~4 月份的全国 CPI 指标进行预测,预测结果如下:2013年 12 月的 CPI 为 103. 7530%;2014 年 1 月的 CPI 为103. 8944%;2014 年 2 月 的 CPI 为 104. 0915%;2014 年 3 月 的 CPI 为104. 3359%;2014 年 4 月的 CPI 为 104. 6792.

  四、结论及建议

  通过采用本文选择1990年1月至2013年11月共287个月的中国 CPI 指数的月度数据建立结构模型,实证考察了我国 CPI 波动,得到了以下结论。

  一方面, 由模型预测值可看出,在未来的一段时间内 CPI 将会持续保持在102左右,环比增长率将保持在2%以上,数据基本符合市场预期,物价总体回落趋势已形成。究其原因,可能是由于国内总需求增长速度下降,对 CPI 的推动作用减弱。因受全球经济下滑的影响,我国进出口总额也将出现一定程度下滑,影响CPI的波动.

  另一方面,由预测结果可知,我国今年出现通货膨胀的可能性不大,中国CPI之所以出现走低状况,可能是由于宏观调控的力度过渡所致,政府应给予相应的适度刺激政策,并全面准确地跟踪监测价格运行情况,及时把握和应对可能出现的价格新情况;同时,调整国民收入分配政策,使收入分配适当向居民倾斜,健全社会保障体系,增加居民消费信心,促进消费需求增长;最后,及时有效地落实房地产调控政策,稳定居住价格.

  参考文献

    [1]何晓群。多元统计分析[M].北京:中国人民大学出版社,2012.
  [2]王燕。应用时间序列分析(第二版)[M].北京:中国人民大学出版社,2008.基金项目:基于 ARMA 乘积模型的 CPI 指数分析及预测。

相关内容推荐
相关标签:
返回:宏观经济学论文