中国消费品零售总额序列S A R I M A模型及其预测技巧.docVIP

中国消费品零售总额序列的S A R I M A模型及其预测技巧 　　摘要:研究中国消费品零售总额的SARIMA模型,发现用稀疏系数法处理其季节性所得模型,比常规方法(既做季节差分又做一阶差分)所得模型好;在用EViews做预测时,对预测对话框的“Sample range for forecast”的值应该设置为真实的预测范围,才能得到好的预测。 　　关键词:SARIMA模型;稀疏系数;中国;消费品零售总额 　　中图分类号:F71文献标志码:A文章编号:1673-291X(2010)19-0176-03 　　 　　一、问题提出 　　EViews软件是在科学数据分析与评价、金融分析、宏观经济预测,销售预测和成本分析等领域应用非常广泛的统计分析和预测软件,其前身是时间序列回归软件TSP。TSP软件基于DOS的操作系统,EViews软件在Windows环境下运行,更多地使用菜单和窗口方式,操作直观,界面友好,很多视窗操作都使用默认,使本来复杂的数据分析过程变得易学易用[1~4]。 　　尽管如此,在应用时也是困难重重的,还需要技巧。例如,作者用B-J法对1993年1月至2007年12月的中国消费品零售总额(月度数据,数据来自《中华人民共和国国家统计数据库》,4/cx/index.jsp)建立ARIMA模型。观察图形时发现数据具有季节性,于是应该建立SARIMA模型。建模时是先进行季节差分还是进行常规的一阶差分?预测时采用默认预测范围还是要改变预测范围?这都是问题,是初学者要花很多时间才能弄清楚的问题[1~4]。 　　现将探索到的技巧托出,供养各位同仁,惟愿各位同仁得到真实利益。 　　二、建立中国消费品零售总额的SARIMA模型 　　(一)观察序列图的趋势 　　先作原序列中国消费品零售总额ccs的线图,前后波动幅度不一致,知道数据存在异方差。作对数变换并令变量名为lncc。由lnccs的线图知道前后波动幅度基本一致,可以认为lncc的方差是齐性。下面对序列lnccs建立ARIMA模型,其模型可以用于对序列进行分析,也可以用于预测。 　　(二)建立SARIMA模型 　　1.模型一。由lncc的线图可知,序列具有季节性且非平稳的,对lnccs实施差分以平稳化:Series dlnccs=dlog(ccs,1)。得到lncc一阶差分序列dlncc。对其进行平稳性检验(单位根检验),检验结果:dlnccs是平稳的。结合多种模型选择原则,对平稳序列dlnccs选定的ARMA模型如下: 　　dlnccst=-0.4195dlnccst-1+0.9311dlnccst-12+0.4297dlnccst-13+ 　　εt-0.2641εt-2-0.6147εt-12+0.3998εt-14-0.1380εt-20(1) 　　其中,各参数的P值prob均 　　Ls DLNCCS AR(1) AR(12) AR(13) MA(2) MA(12) MA(14) MA(18)(7) 　　则选择只有一项:预测DLNCCS。所以,我们在探索模型时,要逐步进行数据差分变换,在预测阶段,要用原序列重建模型,以便用EViews进行预测。 　　2.扩展样本范围。为了预测未来,还需要扩展时间范围。例如为了预测2008年各月份的中国消费品零售总额,扩展时间的命令是:Expand 1993.01 2008.12。在扩展时间范围后,打开预测对话框。在对话框中,大多数同仁选择动态预测“Dynamic”,将Sample range for forecast修改为”1993:012008:12”。点击”ok”即可[1~4]。但这种预测通常是不精确的。 　　(二)基于EViews的两种预测 　　EViews有两种预测方法:Dynamic和Static(如上图1),有两种选择Dynamic或Static。 　　Dynamic预测方法:用滞后被解释变量的前一个时期的预测值对预测区间(样本范围的第一期除外)的各项进行预测。即是逐步迭代的。从“sample range for forecast” 的第一期开始迭代。如图4的CCSF1是从样本的第二期开始预测并迭代的,所以到最后就预测误差大。 　　Static预测方法:它是指运用真实值来进行预测。所以这种预测方法只能预测超前一期的值。 　　如图2,对中国消费品零售总额序列CCS的预测,CCSF1是动态预测(Dynamic),而CCSF1S是静态预测(Static)。 　　CCS的图形是下凸的,这种数据的动态预测偏差大,如图2方程EQ01(模型(1))的动态预测与原始数据的比较图。CCSF1S是静态预测图,基本与原始值CCS重合。而动态预测值(CCSF1)越往后越偏大。