【基于时间序列探析的广东省GDP预测实证探究（论文）9800字】

基于时间序列分析的广东省GDP预测实证研究摘要国内生产总值（GDP）作为评定经济发展水平的标准，它反映着一个地区的经济状况。广东省GDP连续多年位居全国首位，对于我国和广东省而言，预测GDP显得尤为重要。本文以广东省2000-2020年连续21年的GDP作为数据基础，借助Excel2010和EVIEWS10.0数据分析软件，基于移动平均法、指数平滑法和ARIMA模型预测分析法分别对广东省GDP未来两年的GDP进行预测分析，结果表明三种预测方法得到的预测结果相差不大，总体上广东省GDP在未来将呈现出稳步上升的趋势。关键词GDP；时间序列；移动平均法；指数平滑法；ARIMA模型目录摘要: （p,q）（1,0）（1,1）（1,2）（2,0）（2,1）（2,2）AIC值17.799117.506217.526617.480817.500617.7490SC值17.946217.702317.771717.676917.745717.9450通过表4.2发现，选取ARMA(2,0)模型的AIC值和SC值最小，因此本文认为广东省GDP的时间序列的最优模型为ARIAM(2,2,0)。通过EVIEWS软件实现该模型的参数估计结果如下图4.5：图4.5ARIMA(2,2,0)模型参数估计结果根据图4.5中的参数估计建立ARIMA(2,2,0)模型表达式为： 1+0.4859B+0.5868B2∇其中，Xt为在t时期的观测值，at为白噪声过程。B为后移算子，∇=1-B。去掉差分形式后可得最终模型表达式为：Xt4.5模型检验在完成模型识别和参数估计工作后，需要对ARIMA（2,2,0）模型进行残差序列检验，从而判断所建立的模型是否符合要求。对残差序列进行Q检验。结果如图4.6所示：图4.6残差序列自相关图和偏自相关图通过图4.6，我们可以清楚的看出残差序列的AC值和PAC值都是比较小的，而且拟合检验统计量的Prob值都比较大，均大于0.05。同时所有的相关系数都在置信限内。因此，我们认为该残差序列即为白噪声序列。预测值与实际值序列图见下图4.7：图4.7预测值与实际值序列比较图通过图4.7可以看出，预测值相对接近实际值，预测误差相对较小，而且大部分残差序列都在误差范围内。总而言之，表明建立的ARIMA（2,2,0）模型适合该时间序列。4.6模型预测与评价根据建立的ARIMA（2,2,0）模型的表达式，对广东省2019和2020年两年GDP进行预测,并计算相对误差，结果见表4.3：表4.3广东省2019-2020年GDP预测值与实际值比较年份实际值预测值绝对误差相对误差2019107986.9108512.3525.40.49%2020110760.9117170.86409.95.78%通过表4.3的验证我们可以知道，预测结果的相对误差为0.49%和5.78%，平均相对误差在3%左右。这说明建立的ARIMA(2,2,0)预测效果是可以接受的。利用公式（4.3）对广东省未来两年的GDP做出预测，把对应年份的实际值代入，结果见下表4.4：表4.4广东省2021-2022年GDP预测值年份20212022预测GDP（亿元）116564.73124308.17从表4.4可以看出2021-2022年广东省GDP呈现出上升的趋势。虽然在建立ARIMA模型时往往需要大量的样本数据作为支撑，计算过程复杂，付出的代价也比较高，但是其具有适用范围广泛，是一种适用于所有时间序列的发展形态的高级方法，在建立模型时仅仅依靠数据本身即可，在预测过程中考虑到经济在时间上的依存性和随机波动的干扰性，这就是ARIMA模型相比于其他预测方法的优势所在。5.总结与展望5.1全文总结本文选用时间序列分析为理论基础，利用2000-2018年作为样本数据建立了二次移动平均模型、指数平滑模型和ARIMA模型分别对广东省GDP进行预测，并且把2019和2020年预测值与实际值的进行比较。结果如下表：表5.1三种模型的相对误差比较结果年份移动平均法指数平滑法ARIMA模型2019年0.29%0.33%0.49%2020年4.63%5.40%5.78%通过观察表5.1对比结果可以发现三种预测模型得到的2019和2020年预测值与实际值的相对误差的差距不大，说明建立的模型是预测效果是良好的，2020年误差相对较大表明疫情对经济的影响是比较大的。为了充分利用所有数据，加上2019年和2020年实际数据对广东省2021和2022年GDP进行预测。由于模型都具有不同的优缺点，预测效果也不尽相同，其中二次移动平均预测模型的预测结果增长最快，ARIMA模型次之，二次指数平滑预测模型的预测结果增长最慢。三种模型预测的结果都表明未来两年广东省GDP值将会呈现逐年上升的趋势。本文的预测模型得到预测的结果是比较符合实际的，由此看来时间序列预测法是一种预测比较精确的预测方法。加上模型的创建相对简单，只要依靠样本数据本身就可以实现建模，在现实生活中有着广泛的适用性。在应用时间序列预测法时需要根据实际条件、其它因素的影响以及各种模型的优缺点来综合考虑，从而选择适合的模型。5.2不足与展望首先本文所采用广东省2000-2020年GDP数据作为基础，数据量一共有21个，可能由于数据量的不足导致模型预测性能降低。其次本文主要采用数理统计和数据挖掘等方面的知识，基于广东省GDP的时间序列建立预测模型，只是考虑了时间因素，而忽略了自然灾害和社会环境因素等诸多影响GDP的因素，如果发生重大突发事件或者政策改变都有可能超出本文的预测浮动范围。因此，如果要对广东省GDP进行更加精确的预测，需要进一步考虑其他因素的影响，进一步完善预测模型参考文献Box,G.E.P.andJenkins,G.M.TimeSeriesAnalysis:ForecastingandControl[M].Holden-Day,SanFrancisco,1976HasanYasienTouama.ApplicationoftheStatisticalAnalysisforPredictionoftheJordanianGDPbyusingARIMATimeSeriesandHolt'sLinearTrendModelsfortheperiod(2003-2013)[J].MathematicalTheoryandModeling,2014.王振龙.应用时间序列分析[M].北京：中国统计出版社，2010.白晓东.应用时间序列分析[M].北京：清华大学出版社，2017.马进军.关于移动平均法的探讨[J].广西商专学报,1991(04):51-55.徐建新,严勇,严富海.指数平滑法在典型城市GDP预测中的应用[J].水利科技与经济,2008(07):551-554.左山,鲁晶晶,田磊,王学谦.简单移动平均预测法在航材保障中的应用[J].科技信息(学术研究),2008(30):87-88.张涛.用Excel进行质量成本预测——基于移动平均法[J].中外企业家,2011(12):39-40.李守丽.时间序列模型在地级市GDP预测中的应用[D].郑州大学,2013.魏杏.基于指数平滑法和ARIMA的交通量组合预测模型应用研究[D].郑州大学,2014.陈瑶.基于时间序列分析的我国GDP预测模型[D].苏州科技学院,2015.朱佳俊.关于我国GDP的预测方法研究[D].山东大学,2019.许明燕.基于ARIMA模型和BP神经网络模型的江苏省GDP预测分析[D].山东大学,2020.李超楠.几种山东省GDP的预测方法及其比较[D].山东大学,2018.刘