我国城市居民消费价格指数时间序列分析
我国全体居民消费水平的动态分析基于 1953-2011 年时间序列数 据
种， 外 文学 位论 文 １ ７种 ， 外 文会 议 论 文 ３ ７ ４种 。我
国 研究 人 员也 有 大量 的 科研 成果 ， 郭新 华 （ ２ ０ １ ２ １ 、 刘
秋红 （ ２ ０ ０ ７ ） 、 张 文爱 （ ２ ０ ０ ７ ） 等 结 合相 关 模 型对 居 民
消 费结 构 的数量特 征进 行实 证分析 。［ ８ １ ３ ６ － ４ ０ ， ［ ９ ］ ４ ９ － ５ ３
在 对 消 费 水 平 的研 究 中 ，有 人 从 人 均 消 费 支 （ 一） 数 据收集 样本 数 据 主 要 来源 于 １ ９ ９ ３年 一 ２ ０ １ ２年 中 国统
出、 人 均收 入 、 人 均 储蓄 、 住 房价 格 以及 贷 款 利 率等
方 面建 立 变量 之 间 的关 系 ， 『 ｌ 】 ㈣ 通过 模 型分 析 提 出 政 府 应该 从提 高 居 民收 入水 平 、 降 低房 价 以及 推动 利 率 的市 场化 等 方面 提 高 居民 消费 水 平 ； 还 有 在 分
收 藕 日期 ： ２ ０ １ ３ — ０ ３ — ３ ０
计年 鉴 。样 本 选 择 为 １ ９ ５ ３年 到 ２ ０ １ １ 年共 ５ ９期 数 据 。数据 包括 ： 全 体居 民消 费水平 （ 元） 、 就业 人 员平
均 工资 （ 元） 、居民 人 民 币储 蓄存 款 年 底余 额 （ 亿
关 键词 ： 时间序 列 ； 消费水 平 ； 人均 Ｇ Ｄ Ｐ 中 图分 类 号 ： Ｆ ７ １ ３ 文献标 识码 ： Ａ 文章编 号 ： １ ６ ７ ２ — ４ ４ ７ Ｘ（ ２ ０ １ ３ ） ０ ６ — ０ ０ ３ ８ — ０ ４
析 方法 上结 合 了主 成 分 分 析 方 法和 岭 回 归分 析 方
我国居民的消费水平时间序列分析及预测
我国居民的消费水平时间序列分析及预测作者：刘敏来源：《商场现代化》2014年第21期摘要：本文采用时间序列分析及预测的方法对我国居民的消费水平的发展趋势进行分析预测。
通过EViews7.0建立时间序列模型，选择合适模型进行拟合，并作出预测。
利用二次型模型和指数型模型，用最小二乘法进行参数估计。
利用拟合优度大小和拟合图相结合，选出最优模型及预测值。
关键词：消费水平；时间序列；二次型模型；指数型模型一、引言居民消费水平是指居民在物质产品和劳务的消费过程中，对满足人们生存、发展和享受需要方面所达到的程度。
通过消费的物质产品和劳务的数量和质量反映出来。
现在物价上涨，我国的消费水平和消费能力提高，对我国的经济发展有一定的推动作用。
所谓时间序列是按照时间的顺序排列的统计数据。
对时间序列进行观察，研究，找出一定的规律，预测将来的趋势。
在日常生活，生产中，时间序列随处可见，时间序列分析的应用领域很广泛。
本文将运用于经济领域。
二、样本与数据处理本文选用1993年-2012年的居民的消费水平年度数据作为样本。
（数据来源：中国统计年鉴2012）根据EViews7.0得到时序图，知样本总体呈现出不断上升的趋势。
进一步做单位根检验可得：P值为1，P值大于0.05，故不能拒绝原假设，即存在单位根，该序列不平稳。
由于序列不平稳，所以对样本数据进行差分处理。
经过一阶差分后的单位根检验结果中，P值为0.4349，P值大于0.05，故接受原假设，即存在单位根，该序列不平稳。
经过二阶差分后的单位根检验结果中，P值为0.01，P值小于0.05，故拒绝原假设，即不存在单位根，该序列平稳。
三、模型的选择1. 二次型模型的建立由于原序列经过二阶差分得到平稳序列可知，此序列可能为二次型序列，所以对其进行二次型模型处理。
（1）确定二次型模型由EViews7.0图对原序列的二次型拟合图由图1可得到二次型模型，但也需要对其残差自相关等分析，而后对残差进行模型拟合。
我国居民消费价格指数时间序列模型与预测
我国居民消费价格指数时间序列模型与预测摘要: 居民消费价格指数CPI 是具有重要经济意义的指标，它的增长具有一定的内在规律性，而大多数经济时间序列存在惯性或者说是迟缓性，通过对这种惯性的分析可以由时间序列的当前值和过去值对未来值进行预测。
本文利用了ARMA 模型对我国1993年8月—2014年10月的月度CPI 的时间序列数据进行建模分析，并利用所建立的模型对我国的居民消费价格指数进行了短期预测。
关键词: CPI ARMA 模型 时间序列 预测时间序列预测是通过对预测目标自身时间序列的处理来研究其变化趋势的。
即通过时间序列的历史数据揭示现象随时间变化的规律，将这种规律延伸到未来从而对该现象的未来作出预测。
文中所用的ARMA 模型是目前最常用的随机时间序列拟合模型。
其基本思想是:某些时间序列是依赖于时间t 的一组随机变量，构成该时序的单个序列值虽然具有不确定性。
但整个序列的变化却有一定的规律性，可以用相应的数学模型近似描述。
通过对该数学模型的分析研究，能够更本质地认识时间序列的结构与特征达到最小方差意义下的最优预测。
研究我国的居民消费价格指数CPI 的统计规律性和变动趋势，对于我国相关的经济发展政策有特别重要的意义。
本文利用我国1993年8月—2014年10月的月度CPI 历史数据为样本，利用在研究一个国家或地区经济和商业预测中比较先进适用的时间序列模型之一的ARMA 模型对样本进行统计分析，以揭示我国居民消费价格指数CPI 变化的内在规律性，并进行后期预测。
一、数据预处理1.平稳性检验 （1）时序图96100104108112116120124128255075100125150175200225250居民消费价格指数(上年同月=100)从上图可知，该数据有截距项，无明显变动趋势。
（2）ADF 单位根检验Null Hypothesis: CPI has a unit rootExogenous: ConstantLag Length: 12 (Automatic - based on SIC, maxlag=15)t-Statistic Prob.*Augmented Dickey-Fuller test statistic -4.798075 0.0001 Test critical values: 1% level -3.4572865% level -2.87328910% level -2.573106*MacKinnon (1996) one-sided p-values.Augmented Dickey-Fuller Test EquationDependent Variable: D(CPI)Method: Least SquaresDate: 11/26/14 Time: 22:25Sample (adjusted): 14 255Included observations: 242 after adjustmentsVariable Coefficient Std. Error t-Statistic Prob.CPI(-1) -0.032085 0.006687 -4.798075 0.0000 D(CPI(-1)) 0.168383 0.053134 3.169021 0.0017 D(CPI(-2)) 0.075710 0.053347 1.419191 0.1572 D(CPI(-3)) 0.043381 0.053218 0.815167 0.4158 D(CPI(-4)) 0.106993 0.053157 2.012767 0.0453 D(CPI(-5)) 0.059208 0.052698 1.123534 0.2624 D(CPI(-6)) 0.022702 0.052143 0.435374 0.6637 D(CPI(-7)) 0.077984 0.051391 1.517469 0.1305 D(CPI(-8)) 0.112575 0.051273 2.195607 0.0291 D(CPI(-9)) 0.028500 0.051586 0.552476 0.5812 D(CPI(-10)) -0.039258 0.051568 -0.761295 0.4473 D(CPI(-11)) 0.210599 0.051451 4.093188 0.0001 D(CPI(-12)) -0.481773 0.049770 -9.680053 0.0000C 3.261175 0.693266 4.704072 0.0000R-squared 0.474112 Mean dependent var -0.100000 Adjusted R-squared 0.444127 S.D. dependent var 0.690841 S.E. of regression 0.515070 Akaike info criterion 1.567081Sum squared resid 60.48765 Schwarz criterion 1.768920Log likelihood -175.6168 Hannan-Quinn criter. 1.648389F-statistic 15.81172 Durbin-Watson stat 2.004497Prob(F-statistic) 0.000000由检验结果可知，在5%的置信度水平下，p=0.0001<0.05, 通过单位根检验，数据平稳。
我国居民消费价格指数时间序列研究
ｔ Ｓｔ ｔｓ ｉ Ｐ ｏ ． — ａ ｉｔｃ ｒ ｂ
Ａ ｕ ｍ ｅ ｔ ｄ Ｄｉｋ ｙ Ｆｕ ｌ ｒ ｔ ｓ ｔ ｔｓ ｉ 一 ９ ３ ９ ６ ０ ０ ０ ｇ ｎｅ ｃｅ － ｌ ｅ ｔ ｓ ａ ｉｔｃ ｅ ． ５ ７ １ ． ００ Ｔｅ ｔｃ ｉｉ ａ ａ ｕ ｓ １ １ ｖ ｌ ｓ ｒ ｔ １ｖ ｌ ｅ ： ｃ ｅ ｅ ５ ｌｖ ｌ ｅ ｅ １ ｌｖ ｌ ０ ｅ ｅ 一 ２ ５ ５ ８ ．８５７ 一 １ ９ ３ ８ ．４６８ 一 １ ６ ４ ５ ． １ ８０
摘 要 ：０ １ 以来， 国的居 民消 费价格 指数 不断创新 高 ， 内通 胀压 力很 大 ， ２１ 年 我 国 这主要 是 因 为 ２ ０ ０ ８年底 以来执 行 的
投 资拉 动 经 济 的 方 针 ， 得 信 贷 投 放 大 量 增 加 ， 动 性 过 剩 导 致 。 对 居 民 消 费 价 格 月 环 比 指 数 （ 月 一 ｉ ０ 时 间 序 列 进 行 使 流 上 ０） 研 究 ， 用 ＡＲ（ ） 型进 行 实证 分 析 。结 果 说 明 了本 期 居 民 消 费 价 格 月环 比指 数 受 前 ４期 居 民 消 费 价 格 月 环 比 指 数 的 影 使 Ｐ模 响 ， 且 受 上 一 期 的 影 响 最 大 。这 反 映 出 通 胀 预 期 对 居 民 消 费 价 格 的 推 动 作 用 ， 控 制 居 民 消 费 价 格 ， 定 要 改 变居 民 的 并 要 一
２ 消 费价格 指 数 时 间序 列 的特 征 分析
本 文 研 究 居 民 消 费 价 格 指 数 的 时 间 序 列 特 征 ， 实 证 从 的 角 度 研 究 居 民 消 费 价 格 指 数 ， 期 得 到 居 民 消 费 价 格 指 以 数 序 列 的 内在 关 系 。 本 文 采 用 自 ２ ０ ０ １年 １月 至 ２ １ ０ １年 ５ 月 的居 民 消 费 价 格 月 环 比指 数 进 行 实 证 研 究 。 本 文 采 用 居 民 消 费 价 格 月 环 比 指 数 。 之 所 以采 用 居 民 消 费 价 格 月 环 比 指 数 ， 为 这 更 具 有 实 际 意 义 。 如 果 使 用 因 同 比增 长 数 据 ， 么 两 个 数 据 之 间 相 差 １ 那 ２个 月 ， 样 的 比 这 较 不 具 有 实 时 意 义 。 目前 居 民 消 费 价 格 变 化 很 快 ， 民 也 居 更 看 重 价 格 的 近 期 涨 幅 ， 不 会 关 注 现 在 的 消 费 价 格 与 上 而
时间序列分析论文
关于居民消费价格指数的时间序列分析摘要本文以我国1997年4月至2014年4月间每月的烟酒及用品类居民消费价格指数为原始数据，利用EVIEWS软件判断该序列为平稳序列且为非白噪声序列，通过对数据一系列的处理，建立AR(1)模型拟合时间序列，由于时间序列之间的相关关系和历史数据对未来的发展有一定的影响，对我国的烟酒及用品类居民消费价格指数进行了短期预测，阐述该价格指数所表现的变化规律。
关键字：烟酒及用品类居民消费价格指数，时间序列，AR模型，预测引言一、理论准备时间序列分析是按照时间顺序的一组数字序列。
时间序列分析就是利用这组数列，应用数理统计方法加以处理，以预测未来事物的发展。
时间序列分析是定量预测方法之一。
基本原理：1.承认事物发展的延续性。
应用过去数据，就能推测事物的发展趋势。
2.考虑到事物发展的随机性。
任何事物发展都可能受偶然因素影响，为此要利用统计分析中加权平均法对历史数据进行处理。
该方法简单易行，便于掌握，但准确性差，一般只适用于短期预测。
时间序列分析是根据系统观测得到的时间序列数据，通过曲线拟合和参数估计来建立数学模型的理论和方法。
二、基本思想1. 拿到一个观测值序列之后，首先判断它的平稳性，通过平稳性检验，判断序列是平稳序列还是非平稳序列。
2.若为非平稳序列，则利用差分变换成平稳序列。
3.对平稳序列，计算相关系数和偏相关系数，确定模型。
4.估计模型参数，并检验其显著性及模型本身的合理性。
5.检验模型拟合的准确性。
6.根据过去行为对将来的发展做出预测。
三、背景知识CPI（居民消费价格指数），是反映与居民生活有关的商品及劳务价格统计出来的物价变动指标，通常作为观察通货膨胀水平的重要指标。
居民消费价格指数，是对一个固定的消费品篮子价格的衡量，主要反映消费者支付商品和劳务的价格变化情况，也是一种通货膨胀水平的工具。
一般来说，当CPI>3%的增幅时我们称为通货膨胀。
国外许多发达国家非常重视消费价格统计，美国、加拿大等国家都计算和公布每月经过季节调整的消费价格指数，以满足不同信息使用者的要求。
1994—2012年江苏省居民消费价格指数的时间序列分析
1994-2012年江苏省居民消费价格指数的时间序列分析班级：统计1班姓名：陈晶晶学号：09704122摘要居民消费价格指数（CPI）是宏观经济分析和决策，价格总水平监测和调控以及国民经济核算的重要指标。
本文利用1994-2012年江苏省居民消费价格指数的月度数据，运用Eviews 软件建立一个乘积季节模型，并用这个模型对江苏省未来的居民消费价格指数进行合理的预测。
关键词居民消费价格指数时间序列分析乘积季节模型预测分析一．引言居民消费价格指数(CPI)是用来测定一定时期内居民支付所消费商品和服务价格变化程度的相对数指标。
它既是反映通货膨胀程度的重要指标，也是国民经济核算中的缩减指标。
一般说来，当CPI>3% 的增幅时，我们称为通货膨胀；而当CPI>5% 的增幅时，我们把它称为严重的通货膨胀。
这一指标影响着政府制定货币、财政、消费、价格、工资、社会保障等政策，同时，也直接影响居民的生活水平及评价。
居民消费价格指数反映的市场价格信号真实．带动价格舆论导向正确，有利于改善价格总水平调控。
首先，它有利于维护正常的经济生活和市场价格信息秩序。
其次，有利于引导消费形成合理的消费价格，促进有效需求。
再次，它有利于综合运用价格和其他经济手段，实现价格总水平调控目标。
【1】所以，对该指标的分析与预测是非常有意义的工作。
本人在阅读与之有关的参考文献时，发现很多学者采用全国的CPI数据进行时间序列分析，就某个省份或某个城市的CPI数据研究很少，而且采用的模型也各不相同，所以本人就用江苏省1994-2012年的居民消费价格指数进行了时间序列分析。
二．数据描述和模型说明1.数据描述1994年1月——2012年3月江苏省居民消费价格指数如下表：（数据来源：/data/mac/jmxf_dq.php?symbol=320000）1月2月3月4月5月6月7月8月9月10月11月12月1994年123.9 125.9 122.6 121.4 119.8 120.6 122.3 123.4 125.5 125.6 124.9 121.61995年120.8 119.6 119.1 118.1 118.4 117.4 115.4 113.1 112.5 112.1 111.6 1121996年112.6 111.9 111.8 111.5 109.9 108.9 109.3 109.2 107.6 106.9 106.6 105.51997年104.2 104.3 103.1 103 102.4 101.8 101 100.8 100.9 100.1 99.7 99.41998年99.5 99.5 100.4 99.5 99.4 99 99 99.6 99.2 99.4 99.5 99.21999年98.9 98.8 98.1 97.6 97.9 98.7 99.3 98.9 98.9 99.3 99.2 99.32000年100.4 101.4 100.4 100.1 99.7 99.6 99.7 99.4 99.5 99.4 100.3 100.72001年101.6 100.4 101 101.9 102 101.4 101.4 101.2 100.3 100 99.4 99.32002年99.2 99.9 99.3 98.6 99 99.5 99.3 99.4 99.1 99 99.1 99.42003年100 100.2 100.6 100.7 100.1 99.6 100.3 101 101.2 102.2 103.2 103.22004年103.2 102.4 103.6 104.3 105.1 105.6 105.3 105.5 105.1 104.1 102.5 102.12005年102.2 104.4 103 102 101.5 101.4 101.8 101.3 101.4 102.1 102 102.32006年102.5 101.2 100.9 101.4 101.5 101.4 101.3 101.5 101.3 101 102 103.12007年102 102 102.5 102.7 103.1 104 105.2 106 105.9 106.2 106.5 105.62008年106.1 107.7 107.7 107.6 107.1 106.9 106 104.6 104.3 103.5 101.9 101.42009年101.4 99.5 99.6 98.9 98.8 98.3 98 98.8 99.3 99.6 100.6 102.12010年101.7 102.4 102.4 103.2 103.7 103.5 104.1 103.9 104.6 105.2 106.1 1052011年105.1 105.7 105.6 105.3 105.7 106.9 106.4 106 105.4 104.8 103.5 103.62012年103.9 102.9 103.5首先，做出序列时序图和自相关图，如下：X13012512011511010510095949698000204060810可以看出该序列是不平稳的序列，做1阶12步差分dx=d(x,1,12)得到如下时序图：DX4321-1-2-3-4949698000204060810可以看出差分后的序列是平稳序列。
我国居民消费价格指数ARCH模型实证分析
我国居民消费价格指数的ARCH模型实证分析【摘要】本文基于1999年1月---2012年6月的月度居民消费价格指数，建立自回归模型，对cpi的波动性进行检验，发现存在明显的arch效应。
在此基础上建立了arch（3）和garch（1，1）模型，解释了月度cpi的波动性，并且样本区间预测结果良好。
【关键词】中国居民消费者价格指数；自回归模型；arch模型；预测自1982年engle提出条件异方差模型之后，arch模型及其扩展模型被广泛运用于股票市场、货币市场、外汇市场等的研究，揭示股票价格、收益率、汇率等时间序列的波动性并加以预测。
居民消费价格指数cpi反映居民家庭购买代表性的消费品及服务水平价格变动情况，是衡量通货膨胀的主要指标。
已有学者运用arch模型对通货膨胀进行研究，本文在此基础上检验我国居民消费价格指数是否存在arch效应，并建立相应的模型实证分析。
一、arch模型理论简述1. arch（p）模型首先定义时间序列：；其中，是独立同分布的随机变量；且。
arch模型的基本思想是在以前信息集下，某一时刻一个干扰项的发生是服从正态分布。
随时间变化的方差是过去有限项干扰项平方的线性组合（即为自回归部分）。
这样就构成了自回归条件异方差模型。
2. garch（p，q）模型garch模型是arch模型的扩展形式，即在arch模型中加入了的自回归部分。
garch模型更适合描述高阶的条件异方差模型，因而应用更广泛。
二、数据选取及arch模型实证分析本文选取中国居民消费价格指数的月度数据，时间跨度为1999年1月——2012年6月，数据来自中国统计年鉴。
本文模型均在stata12.0中实现，预测部分使用eviews7.0。
首先，定义时间序列和，分别对居民消费价格指数序列和其一阶差分序列进行单位根检验。
由于的df统计量为-1.576，均大于1%、5%、10%显著性水平下的临界值，因此序列是非平稳的时间序列。
的df统计量-7.293小于1%的显著性水平下的临界值，可知序列是平稳序列。
时间序列分析在中国城镇居民消费水平中的应用
Ｄ。 一 一 ０ ２ ７ ｔ 】 ０ １ ５ Ｚ ２＋ ． ３ Ｄ。 ｙ ＋ ． ９ Ｄ。ｙ
其 进行 二阶 差分使 其平 稳 ． ＡＤ 其 Ｆ检验 如表 １ ． 都 小 于 １ ， ， Ｏ 的 临 界 值 ， 以 该 二 阶 差 分 ％ ５ １ 所
１ ２ 时 间序 列模 型 的 建 立 ．
水平 的值 进行 建 模 ， 其 作 为 时 间序 列 ， 立 预 测 将 建 模 型． 为了验 证模 型 的正确 性 ， １ ５ —２ ０ 把 ９ ２ ０ ７年 的 数据 参与 建 模 ， ０ ８年 的值 用 于检 验 模 型 的拟 合 ２０ 效果 ， 后 进 行 ２ ０ —２ １ 最 ０ ９ ０ １年 的预 测 （ 据来 源 ： 数 中国经济信 息 网综合 年 度库 ） ．
型 ， 用 该模 型 对 当前 值 和 未 来 值 作 出预 测 ， 到 误 差 较 小 、 期 预 测 较 为 满 意 的结 果 ． 并 得 短
关 键 词 ：时 间 序 列 分 析 ； 镇 居 民 消 费 水 平 ； ＭＡ 模 型 ； 测 城 ＡＲ 预
中 图 分 类 号 ： １． １Ｔ １ ４ ０２ １ ６ ； Ｂ １ 文献标志码 ： Ａ 文 章 编 号 ：１ ７ —９ ７ （ ０ １ ０ — ０ ７ ２ ６ １ ４ ６ ２ １ ） ２ ０ ３ —０
３ ８
周 口师范学 院学 报
２１ ０ １年 ３月
从 图 ３可 以看 出残 差 对 应 的பைடு நூலகம்自相 关 和偏 自相
Ａ Ｏ ａ Ｉ
Ｉ Ｉ 暖 ｌ 图 Ｉ Ｉ ｌ Ｉ
ｐ ａ ｃ ｒ ｌｔ ｎ ｌ ｏｒ ａｏ ｅ ｉ
Ｉ ｌ 匿 Ｉ Ｉ 霹 Ｉ ｌ Ｉ ｌ Ｅ Ｉ Ｉ Ｉ 匿 １ ｆ Ｉ Ｉ 圈
基于时间序列的居民消费价格指数分析(全文)
基于时间序列的居民消费价格指数分析一、居民消费价格指数居民消费价格指数，即CPI（Consumer Price Index），是一个反映居民家庭一般所购买的消费商品和服务价格水平变动情况的宏观经济指标。
其衡量的是一定数量具代表性的商品或服务项目的价格随时间变动而变动的程度，通常这一指数也被用于反映居民家庭购买消费商品及服务的价格水平的变动情况。
因此，在考察一国或某一地区宏观经济运行进展状况时，其居民消费价格指数是必不可少的重要数据从指标。
这一指标不仅反映一定时期内居民购买的商品和服务价格变动，还体现了在不同时期居民生活费用的变动状况。
同时，居民消费价格指数还被广泛应用于判定经济体是否存在通货膨胀，故此，CPI也是市场经济状态的晴雨表。
所以，从宏观治理层面讲，居民消费价格指数是各级政府部门了解居民消费价格状况，研究制定价格政策、工资政策、货币政策，以及为国民经济核算的重要依据和关键指标。
从投资层面讲，居民消费价格指数是企业增加或减少投资的重要决策依据。
从就业层面看，CPI是政府和企业调整雇员工资和津贴的重要指标。
本文用过Eviews软件建立RIM模型，对我国近年来居民消费价格指数的统计数据进行分析和估量。
二、时间序列模型对居民消费价格指数的分析（一）应用模型概述1.时间序列模型。
RM模型是目前应用较为广泛的平稳时间序列分析模型，模型具体可分为：R模型、M模型、RM模型。
RM模型表达式如下：Xt=φ0+φ1Xt-1+φ2Xt-2+...+φpXt-p+εt-θ1εt-1-...-θqεt-qφp≠0，θq≠0E（εt）=0，Vr（εt）=σ2ε，E（εtεs）=0，s=tExsεt=0，？坌s引进延迟算子，RM（p，q）模型简记为：φ（B）xt=θ（B）εt，其中：φ（B）=1-？渍1B-…-？渍pBp。
为p阶自回归系数多项式；θ（B）=1-θ1B-…-θqBq为q阶移动平均系数多项式。
令q=0，我们就从RM（p，q）模型得到了R（p）模型。
我国居民消费价格指数（CPI)影响因素的分析
一、研究背景及意义1.研究背景CPI 是度量通货膨胀的一个重要指标。
通货膨胀是物价水平普遍而持续的上升。
CPI 的高低可以在一定水平上说明通货膨胀的严重程度。
近年来，我国的通货膨胀问题非常值得重视。
一方面，多年来我国强烈的固定资产投资需求冲动，使经济实际增长率高于潜在增长率。
过高的增长需求必然伴随信贷货币的超量发行从而构成通胀压力；另一方面，有数据表明中国1990年的货币总量为1.53万亿元，2011达到89.56万亿元，是1990年的58.5倍。
近年来我国央行为缓解人民币升值过快压力给经济带来的问题不得不大量投放人民币进行对冲，现阶段我国面临的通胀压力仍不容小觑。
2.研究意义CPI 是一个滞后性的数据，但它往往是市场经济活动与宏观经济政策的一个重要参考指标，长期以来，随着人们对通胀成因以及市场形势认识的深入与发展，CPI 稳定成为了最重要的宏观经济目标之一。
因此，为了让我国消费者价格指数在合理预期内稳定变动，了解分析其影响因素并通过相关政策与手段加以控制是至关重要的。
本文意在通过相关数据处理与分析，对变量因素之间的相关关系进行一定的论证，为我国CPI 影响因素的分析提供一定的理论基础。
二、我国CPI 现状整理数据我们可以发现，近20年来，物价飞涨问题一直困扰着我国政府，也是国内外关注和研究的焦点。
1998年-2003年我国CPI 变动相对平稳，至2007年-2018年全球金融危机爆发之前我国使用了“从紧的货币政策”，金融危机爆发后我国的通货膨胀问题逐渐开始严重，当年居民消费价格指数达到了493.6（1978=100）。
2008年，为了应对全球性的金融危机，我国采取宽松的货币政策更是让通货膨胀进一步加剧，当年达到522.7。
金融危机过后，随着国家总体经济状况的发展，中国近几年CPI 指数增长率相对稳定，如2015年12月CPI 为101.6，同比增长1.6%;2014年12月CPI 为101.5，同比增长1.5%;2013年12月CPI 为102.5，同比增长2.5%;2012年12月CPI 为102.5，同比增长2.5%，CPI 变动处于一个相对平稳的状态。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
辽宁工业大学时间序列分析课程设计题目：中国城市居民消费价格指数的分析与预测院（系）：经济学院专业班级：统计学 091学号： 090707016学生姓名：胡迪指导教师：姜健教师职称：教授起止时间： 2011.12.19—12.23课程设计任务院（系）：经济学院教研室：统计教研室学号090707016 学生姓名胡迪专业班级统计学091班课程设计（论文）题目中国城市居民消费价格指数的分析与预测课程设计（论文）任务1、画出时间序列的时序图，根据所画的时序图粗略判别序列是否平稳；2、根据序列的自相关图判别序列是否平稳；3、利用单位根检验方法，判别序列的平稳性；4、模型识别。
根据自相关系数和偏自相关系数的性质和特点，判别模型属于哪种类型；5、参数估计。
根据选定的模型类别进行模型的参数估计；6、进行相应的检验。
包括模型的稳定性、可逆性的判定；参数的显著性检验；残差的白噪声检验等；7、模型优化。
对所建立的多个模型，根据AIC准则等进行优化选择；9、预测。
应用所建立的模型，进行未来5期的预测；10、模型的评价。
应用相关的评价准则，对所选择的模型进行评价。
11、撰写设计报告。
报告一律要求用Word文档纂写，3000字左右，内容及要求见指导书。
摘要时间序列就是按照时间的顺序记录的一列有序数据。
对时间序列进行观察、研究，找寻它变化发展的规律，预测它将来的走势。
时间序列分析在日常生活中随处可见，有着非常广泛的应用领域。
本文用时间序列分析方法，对城市居民消费价格指数序列进行了拟合。
通过对1960年至2005年期间中国城市居民消费价格指数进行观察分析，建立合适的ARMA模型，对未来五年的城市居民消费价格指数进行预测。
然后对预测值和真实值进行比较，得出结论，所建立的模型有较好的拟合效果，从而提供了一个经济预测和结构分析的有效方法。
关键词：时间序列城市居民消费价格指数平稳性白噪声单位根目录1引言 (1)2模型的判别 (2)2.1原始序列分析 (2)2.2模型判别 (4)3中国城市居民消费价格指数模型的建立 (5)3.1有常数项的AR(1)模型 (5)3.2有常数项的ARMA(1,2)模型 (7)3.3没有常数项的ARMA(1,2)模型 (9)4模型优化 (11)4.1模型选择 (11)5中国城市居民消费价格指数模型的预测 (12)6模型评价与分析 (14)6.1中国城市居民消费价格指数模型评价 (14)6.2中国城市居民消费价格指数分析 (15)参考文献 (15)1引言城市居民消费价格指数(Urban Consumer Price Index)，是反映城市居民家庭所购买的生活消费品价格和服务项目价格变动趋势和程度的相对数。
城市居民消费价格指数可以观察和分析消费品的零售价格和服务项目价格变动对职工货币工资的影响，作为研究职工生活和确定工资政策的依据，是用来反映通货膨胀（紧缩）程度的指标。
城市居民消费价格指数的调查范围和内容是居民用于日常生活消费品的全部商品和服务项目价格。
包括食品、烟酒及用品、衣着、家庭设备用品及维修服务、医疗保健和个人用品、交通和通讯、娱乐教育文化用品及服务、居住等八大类商品及服务项目价格。
既包括居民从商店、工厂、集市所购买商品的价格，也包括从餐饮行业购买商品的价格。
本文应用时间序列方法对城市居民消费价格指数进行建模分析和经济预测，结果可以反映一定时期居民生活消费品及服务项目价格变动趋势和程度,可以观察居民生活消费品及服务项目价格变动对居民生活的影响,为各级政府掌握居民消费状况,研究和制定居民消费价格政策、工资政策以及为新国民经济核算体系中消除价格变动因素的核算提供科学依据。
2模型的判别2.1原始序列分析对1951-2005年中国城市居民消费价格指数(上年=100)序列建模（单位：%）。
数据见表2-1。
表2-1年份指数（%）年份指数（%）年份指数（%）年份指数（%）年份指数（%）1951 112.5 1962 103.8 1973 100.1 1984 102.7 1995 116.8 1952 102.7 1963 94.1 1974 100.7 1985 111.9 1996 108.8 1953 105.1 1964 96.3 1975 100.4 1986 107 1997 103.1 1954 101.4 1965 98.8 1976 100.3 1987 108.8 1998 99.4 1955 100.3 1966 98.8 1977 102.7 1988 120.7 1999 98.7 1956 99.9 1967 99.4 1978 100.7 1989 116.3 2000 100.8 1957 102.6 1968 100.1 1979 101.9 1990 101.3 2001 100.7 1958 98.9 1969 101 1980 107.5 1991 105.1 2002 991959 100.3 1970 100 1981 102.5 1992 108.6 2003 100.9 1960 102.5 1971 99.9 1982 102 1993 116.1 2004 103.3 1961 116.1 1972 100.2 1983 102 1994 125 2005 101.6数据来源：中国统计年鉴数据库①做原始序列时序图与自相关图（x表示1951-2005年中国城市居民消费价格指数序列）JUMIN13012512011511010510095905560657075808590950005图2-1 中国城市居民消费价格指数时序图由图2-1可以看出，时间序列没有明显的趋势效应，也没有季节变动效应，可以认为原时间序列为平稳时间序列。
图2-2 中国城市居民消费价格指数相关图由图2-2可知，自相关系数只有前两阶在2倍标准差之外，其余均在2倍标准差之内；偏自相关系数只有一阶在2倍标准差之外，其余均在2倍标准差之内。
Q 统计量的相伴概率p 值均小于0.05，可以认为该时间序列平稳，可以根据此表选择模型进行建立。
②对原始时间序列做单位根检验，判别该时间序列是否平稳。
图2-3 原始序列单位根检验由图2-3可以看出，检验t 统计量的值为-3.539492，显著性水平5%、10%的临界值分别为-2.916566、-2.596116，可见t 统计量的值小于各显著性水平的临界值，显著性水平1%的临界值为-3.557472，虽然小于t 统计量值，但是很接近，故拒绝原假设，认为序列平稳，可以对原始序列考虑建模。
2.2模型判别根据原始时间序列自相关图，偏自相关图考虑建模。
初步拟定建立有常数项的AR(1)模型，有常数项的ARMA(1,2)模型，有常数项的MA(2)模型，有常数项的MA(1)模型，无常数项的AR(1)模型，无常数项的ARMA(1,2)模型，无常数项的MA(2)模型，无常数项的MA(1)模型，一阶差分后的有常数项的AR(1)模型，一阶差分后的有常数项的ARMA(1,2)模型，一阶差分后的有常数项的MA(2)模型，一阶差分后的有常数项的MA(1)模型，一阶差分后的无常数项的AR(1)模型，一阶差分后的无常数项的ARMA(1,2)模型，一阶差分后的无常数项的MA(2)模型，一阶差分后的无常数项的MA(1)模型。
t-Statistic Prob.*Augmented Dickey-Fuller test statistic -3.539492 0.0105 Test critical values: 1% level -3.557472 5% level -2.916566 10% level -2.5961163中国城市居民消费价格指数模型的建立3.1有常数项的AR(1)模型Variable Coefficient Std. Error t-Statistic Prob.C 103.3539 1.783128 57.96215 0.0000AR(1) 0.629088 0.104792 6.003189 0.0000R-squared 0.409348 Mean dependent var 103.6963Adjusted R-squared 0.397989 S.D. dependent var 6.240614S.E. of regression 4.842053 Akaike info criterion 6.028888Sum squared resid 1219.165 Schwarz criterion 6.102554Log likelihood -160.7800 Hannan-Quinn criter. 6.057298F-statistic 36.03828 Durbin-Watson stat 1.661689Prob(F-statistic) 0.000000Inverted AR Roots .63图3-1 模型的参数估计模型为：x t=103.3539+0.629088x t1-+εt，参数的显著性检验均通过了，特征根也在单位圆内，模型平稳，AIC为6.6028888。
图3-2 残差相关图图3-2的P值均大于0.05，说明残差序列为纯随机序列，互不相关。
F-statistic 7.249813 Prob. F(2,51) 0.0017Obs*R-squared 11.95396 Prob. Chi-Square(2) 0.0025Scaled explained SS 23.43989 Prob. Chi-Square(2) 0.0000 图3-3 残差方差齐性检验图3-3上面的的Proc.Chi-Square(2)值小于0.05，认为残差序列没通过方差齐性检验，存在异方差。
Sample Mean = 0.166292Sample Std. Dev. = 4.908975Method Value Probabilityt-statistic 0.251224 0.8026图3-4 残差零均值检验图3-4的Probability值大于0.05，认为残差序列通过了零均值检验。
-15-10-5051015901001101201305560657075808590950005ResidualActual Fitted图3-5 模型拟合图形3.2有常数项的ARMA(1,2)模型VariableCoefficient Std. Error t-StatisticProb.C 103.3703 1.124717 91.90784 0.0000 AR(1) -0.884055 0.028473 -31.04900 0.0000 MA(1) 1.900897 0.039167 48.53254 0.0000 MA(2) 0.905352 0.037142 24.37568 0.0000R-squared0.584059 Mean dependent var 103.6963 Adjusted R-squared 0.559103 S.D. dependent var 6.240614 S.E. of regression 4.143773 Akaike info criterion 5.752278 Sum squared resid 858.5428 Schwarz criterion 5.899610 Log likelihood -151.3115 Hannan-Quinn criter. 5.809098 F-statistic23.40315 Durbin-Watson stat 1.640252 Prob(F-statistic)0.000000Inverted AR Roots -.88 Inverted MA Roots-.95+.04i -.95-.04i图3-6 模型的参数估计模型为：x t =103.3703-0.884055x t 1-+εt +1.900897ε1-t +0.905352ε2-t ，参数的显著性检验均通过了，特征根也在单位圆内，模型平稳可逆，AIC 为5.752278。