对比ARIMA-BP模型和TAR模型对CPI的预测精度,宏观经济学论文

对比ARIMA-BP模型和TAR模型对CPI的预测精度,宏观经济学论文当下我们国家正处于经济转型期，过去几十年中长期粗放型型的发展方式已经无以为继，华而不实最具有显性的现象就是通货膨胀的加剧，房价高涨与城镇化工业化进程中土地、资本、劳动力成本上涨带来的物价上涨已经让人民的生活遭到了宏大冲击。另外物价的高企是遭到诸多因素所决定的，比方人民币升值、进出口贸易构造、宏观财政与货币政策的调整等等。但无论怎样，任何一个时间序列的波动在一定时段内总是特殊规律的表现，是能够通过一定的数理方式方法进行模拟和预测的。在学术界，针对时间序列的预测成果非常多，在这里并不逐一叙述，仅以居民消费价格指数的预测列出一些代表性的成果，如李璇和黄冬冬〔2020〕使用ARIMA模型对2000年1月至2020年12月的CPI月度数据，发现ARIMA〔3,1,3〕模型能够很好的拟合该序列。王宇等人〔2018〕使用BP神经网络分别预测出2008年和2018年我们国家CPI序列进行了预测。查进道〔2020〕采用逼近思想建立DE-SVR拟合模型，并使用该方式方法对居民消费价格指数(CPI)进行预测。董梅〔2018〕将原料、燃料和动力购进价格指数与CPI指数一起列入分析范畴，建列了向量自回归模型〔VAR〕进行了预测。本文以为时间序列是线性与非线性规律的结合，在预测经过中不能仅以线性或非线性方式进行考虑，所以采用组合方式方法更能够提高精度。本文使用具体表现出线性规律的移动平均自回归模型与具体表现出非线性规律的BP人工神经网络模型进行组合，构成ARIMA-BP模型,进行CPI预测。同时采用门限自回归(TAR〕模型进行拟合预测，对两种模型的拟合精度进行比照。1居民消费价格指数预测分析1.1基于ADF和PP的数据平稳性检验对于时序数据的预测与其他分析，需要数据具有同分布性质。对于这样的要求，通常的时间序列并不知足的这样的要求，由于序列波动会遭到其他随机扰动冲击的干扰。所以在实践中只要知足矩条件就能够以为其平稳，详细为序列当期和滞后期间的协方差只与两个时点之间的间隔有关，而与当期无关。当前平稳性检验方式方法主要有修正的迪克-付勒〔ADF〕和菲利普斯-陪荣〔PP〕两种，\使用上述方式方法对我们国家2008年1月至2020年8月间的我们国家居民消费价格指数〔CPI〕进行单位根检验，分析软件为stata11.0。无论采用哪种检验方式方法，有三种形式：存在截距、存在截距和趋势项、不存在截距，详细选取应根据赤池准则〔AIC〕和施瓦茨准则〔SC〕确定。表1显示两种检验方式方法、三种检验形式均在5%显著性水平下接受存在单位根的原假设，讲明序列非平稳，而经过一阶差分后，两种方式方法三种形式在1%临界值水平上的检验结果为平稳，故以为CPI序列服从I(1)经过。1.2移动平均自回归BP神经网络预测移动平均自回归模型是以当期CPI为被解释变量，本身的滞后变量和随机误差项的滞后项作为解释变量的回归经过。方程为：〔1〕表示清楚△CPI的t期值遭到其本身滞后p期影响，且随机误差项为均值为0、标准差自回归阶数为q时得到扰动项为定值的白噪声序列。对于p和q确实定，一般称为辨别经过，能够通过偏自相关图和自相关图进行确定。图1显示PAC系数在滞后3期内相对较大，在以后各期整体相对较小，故以为AR〔3〕经过，图2为AC系数，在滞后3期截尾，故以为选取的模型为ARIMA〔3,1,3〕，估计结果如〔2〕式。使用上述ARIMA模型预测得到拟合值CPI*与误差序列resid,雷可为和陈瑛〔2007〕以为移动平均自回归模型具体表现出的是时间序列的线性变动特征，而对于一些因随机冲击导致的非线性规律则无法具体表现出。而这些随机冲击并不具有严格的统计学规律，所以使用高度迭代性质的误差逆向传播修正算法〔人工神经网络BP〕算法对非线性误差进行预测，然后再将误差结果与线性结果结合，会大大的提高拟合精度。本文采取resid序列滞后1-9期为输入矩阵，当期值为输出变量，首先介绍BP神经网络算法:该算法主要是根据信息的前向传递与误差的逆向传播与修正为基础，使用梯度下降理论对神经元之间的连接赋权值和各节点本身的阈值进行调整，最终目的是为了使非线性误差的预测精度提高，主要构造如下：一是需要确定神经元层数，一般而言使用1个神经元层就已经足够〔在不显著神经元个数的情形下〕；二是神经元个数，当前学术界无规定规则，一般采取10为初始值，三是训练函数与鼓励函数。信息输入后BP网络会根据一定的函数形式进行处理后再信息输出，输入层、中间层函数一般取S型对数logsig，输出层的使用函数purelin，训练法选为共轭梯度法trainscg。〔图3〕在设置学习次数为100次，学习系数为0.05后，执行Matlab7.0软件的网络训练，结果显示在训练100次后误差降低到0.01左右，精度非常高。图4给出了ARima模型预测得出的残差序列与BP网络训练后得到的预测残差序列拟合图，能够发现重合率和一致性都非常高。1.3门限自回归模型分析由于CPI序列为一阶单整序列，所以采用△CPI进行建模。建模形式为：TAR模型由华人经济学家汤家豪提出，基本思想是在单时序数据区间内引入j-1个门槛值，进而将序列划分为j个区间，然后根据延迟步数将数据归纳到不同区间内，再对不同区间内的数值进行自回归。这里需要确定的是三个指标：一是滞后阶数确实定，二是门槛值的选取。由于△CPI序列为一维随机游走序列，本文设置滞后阶数为1，门槛值=-0.50。采用winrats8.0软件估计后发现，从滞后1期估计结果看，当CPI序列的波动上涨具有自抑制性，即当滞后期的波动值大于-0.05时，△CPI每增加1个百分比给当期的影响为负〔-0.740〕，相反影响为0.1598。图5给出了残差平方和的门槛效应图。1.4两种模型比照分析将表2的估计参数代入〔3〕，求出△CPI的拟合值△CPI*，然后将cpi*t+cpit-1，复原出TAR模拟得到的预测序列，表3给出了2008-11月至2020年8月三种预测模型给出的CPI预测结果，本文计算相对预测误差结果为：AR-BP模型为0.197%，TAR模型为1.388%，ARIMA为0.454%。预测精度排序为AR-BPARIMATAR。在诸多研究中，普遍以为非线性时间序列具备的构造突变效应注定了传统ARIMA计量模型会失效，为了大大提高预测精度，非线性时间序列回归方式方法被引入，但本文以居民消费价格指数进行拟合后发现，CPI序列呈现出线性规律占主体，而非线性规律为辅助，所以对于时间序列分析不可一味的以为复杂非线性算法比普通方式方法更能到达精度的渐进提高。2总结物价上涨已经引起了全社会的极大关注，尤其是在一些关系国计民生的产品类型上，如粮食、蔬菜、日用必需品、交统统信价格上。通过各种措施对物价加以控制不仅有利于宏观经济政策的施行，更有助于维持社会经济秩序和人民生活安定。所以有必要对CPI的波动规律加以挖掘和进行预测，当然选择适宜的方式方法是前提，本文通过实证分析发现，采用同时反映线性和非线性规律的ARIMA-BP组合方式方法比单纯的使用线性ARIMA和非线性门限自回归模型所得到的预测结果精度要高，同时ARI-MA预测效果高于TAR也讲明了物价波动经过中线性规律要大于非线性规律。同时非线性拟合方式方法中的BP神经网络与TAR模型的