浅析ARMA在我国GDP预测中的应用

　　为了检验lny序列的二阶差分是否平稳,再对GDP的二阶差分序列进行单位根检验,结果如表4所示：
　　3.3.2 模型的识别与选择
　　通过对二阶差分后序列lny的ACF和PACF分析可知,由偏相关图知P可以选择2或者4,由自相关图知Q可以选择2,由于是二次差分d=2,所以得到两组模型ARMA(2,2,2)和ARMA(4,2,2),下面对比两组模型：
　　由表5可知其调整后的R?2为0.462416大于表6中的ARMA(4,2,2)模型的0.392689,而AIC和SC值分别为-3.568692和-3.375139,分别小于表6中的?-3.301734?和-3.007221,可以认为ARMA(4,2,2)更为合适。
　　3.3.3 模型的建立
　　根据上面模型的识别与选择,我们选用ARMA(4,2,2)作为我们的最佳预测模型,估计该模型的参数及模型的相关检验结果如表6。结果表明,模型ARMA(4,2,2)的参数估计值具有统计意义。其展开式为：
　　4 结 论
　　时间序列分析的ARMA模型预测问题,实质上是通过对社会经济发展变化过程的分析研究,找出其发展变化的量变规律性,用以预测经济现象的未来。预测时不必考虑其他因素的影响,仅从序列自身出发,建立相应的模型进行预测,这就从根本上避免了寻找主要因素及识别主要因素和次要因素的困难;和回归分析相比,可以避免了寻找因果模型中对随机扰动项的限定条件在经济实践中难以满足的矛盾。实际上这也是ARMA模型预测与其他预测方法相比的优越性所在。
　　本文将时间序列分析方法应用到我国国内生产总值短期预测中。首先，对样本序列进行平稳性判别,若非平稳则对该序列进行平稳化处理;其次,对已识别模型进行估计,这里包括模型系数的估计和阶数的判别;再次，白噪音检验显示得到的模型是合理的;最后,通过参数的估计值建立相应的模型并计算出序列短期的点预测与区间预测。在整个建模的过程中,通过Eviews5.0软件可以很方便地得出序列的模型并且有较高的拟合精度。
　　参考文献:
　　［1］王振龙.时间序列分析［M］.北京：中国统计出版社,2003.
　　［2］徐国祥.统计预测和决策［M］.上海：上海财经大学出版社,1998.
　　［3］易丹辉.数据分析与Eviews应用［M］.北京:中国统计出版社,2002.
　　［4］李子奈,叶阿忠.高级计量经济学［M］.北京:清华大学出版社,2000.
　　［5］何书元.应用时间序列分析［M］.北京:北京大学出版社,2003.