门限自回归模型在经济分析和预测中的应用
回归分析方法在市场预测中的应用研究
回归分析方法在市场预测中的应用研究市场预测一直以来都是商业活动中非常重要的一环，对于企业和投资者来说，准确地预测市场走势和商品价格的变化趋势，可以帮助其制定有效的营销策略和投资决策。
回归分析方法作为一种经济统计学中常用的预测方法，能够通过建立数学模型，分析变量之间的关系，从而预测未来市场的走向。
本文将探讨回归分析方法在市场预测中的应用研究。
首先，回归分析方法能够通过对历史数据的分析，建立起预测模型。
在市场预测中，回归分析方法可以通过分析各种影响市场走势的变量，从而理解它们之间的相互关系。
通过建立数学模型，可以利用回归分析方法对这些变量进行量化分析，并对未来的市场走势进行预测。
例如，在预测商品价格方面，回归分析可以通过分析影响价格的因素，如供求关系、成本等，建立起价格与这些因素之间的回归模型，从而帮助进行合理的价格预测。
其次，回归分析方法能够提供变量的贡献度评估和预测的不确定性分析。
市场是一个复杂的系统，受到许多因素的影响。
回归分析方法通过对各种变量的回归系数进行计算和解释，能够评估出每个变量对市场预测的贡献度。
这有助于决策者更好地理解市场变化的原因，并有针对性地调整策略。
此外，回归分析还能够通过计算预测值和实际值之间的差异，来评估预测结果的不确定性。
这为决策者提供了一个参考，使其能够更加谨慎地利用预测结果做出决策。
第三，回归分析方法可以进行市场趋势预测。
市场中的走势通常呈现一定的周期性或趋势性。
回归分析方法可以通过分析历史数据中的趋势，建立起相应的回归模型，并基于这些模型对未来市场的走势进行预测。
这种趋势预测方法在市场预测中具有很高的实用性。
例如，在预测某一种商品的需求量时，回归分析可以通过分析过去几年的商品需求数据，把需求量与时间进行回归分析，从而预测未来几个季度的需求量变化情况，帮助企业制定产量和库存策略。
另外，回归分析方法还可以进行市场细分和行业分析。
市场预测需要考虑到不同地区、不同群体之间的差异。
经济预测的方法与应用
经济预测的方法与应用随着全球经济一体化的深入发展，经济预测变得越来越重要。
经济预测是指通过一定的方法和技术，对未来的经济趋势、经济事件和经济变量进行预测和分析，以帮助决策者制定合理的经济政策，防范经济风险，实现经济可持续发展。
本文将介绍经济预测的方法和应用，以帮助读者更好地了解和掌握经济预测的原理和技巧。
一、经济预测的方法1.统计模型统计模型是一种常见的经济预测方法，它通过对历史数据进行分析，建立数学模型，预测未来的经济趋势。
常用的统计模型包括回归分析、时间序列分析、马尔科夫链等。
回归分析是通过分析自变量和因变量之间的关系，建立回归方程，预测因变量的未来值；时间序列分析则是将历史数据按照时间顺序排列，通过分析数据的趋势和波动，预测未来的经济趋势；马尔科夫链则是一种随机过程，用于预测经济事件发生的概率。
2.人工智能模型人工智能模型是一种基于机器学习的方法，它通过训练数据和算法，建立经济预测模型。
常用的人工智能模型包括神经网络、支持向量机、决策树等。
神经网络是一种模拟人脑神经元连接方式的网络，通过学习样本数据，可以自动提取数据中的特征和规律，预测未来的经济趋势；支持向量机则是一种基于统计学习理论的方法，用于解决小样本和高维度的经济预测问题；决策树则是通过构建决策树模型，根据历史数据和经验，预测未来的经济事件。
3.专家系统专家系统是一种基于知识和经验的经济预测方法，它通过专家经验和知识，建立经济预测模型。
专家系统通常由一组专家组成，他们共同研究和讨论，制定经济预测的方案和策略。
专家系统具有较高的灵活性和适应性，可以根据实际情况进行调整和优化。
二、经济预测的应用1.制定经济政策经济预测可以帮助决策者制定合理的经济政策。
通过对未来经济的预测和分析，决策者可以了解经济的趋势和风险，制定相应的经济政策，如财政政策、货币政策等，以促进经济的发展和稳定。
2.防范经济风险经济预测可以帮助决策者防范经济风险。
通过对可能发生的事件和经济变量的预测和分析，决策者可以提前采取措施，防范风险的发生，如控制通货膨胀、稳定汇率等。
自相量回归模型应用场景
自相量回归模型应用场景自相量回归模型（Self-Quantile Regression，简称SQR）是一种先进的统计回归模型，它通过将自变量与因变量之间的关系进行建模，以预测未来的因变量值。
SQR模型在许多领域都有广泛的应用，包括金融、医疗、环境科学、社会科学等。
本文将详细介绍自相量回归模型的概念、优点和应用场景。
一、自相量回归模型的概念自相量回归模型是一种基于自变量和因变量之间关系的非参数回归模型。
它通过估计自变量对因变量的影响，并预测未来因变量值，来描述自变量与因变量之间的复杂关系。
SQR模型不需要假设因变量遵循特定的分布，因此可以更好地捕捉数据的复杂性和不确定性。
二、自相量回归模型的优点1、灵活性：SQR模型可以更好地适应数据的复杂性和不确定性，因为它不需要对因变量的分布做出严格的假设。
2、稳健性：SQR模型对异常值和离群点具有较高的鲁棒性，因为它是基于局部加权回归的方法。
3、可解释性：SQR模型的估计结果是基于数据的实际分布，因此更容易解释和理解。
4、预测精度：SQR模型的预测结果具有较高的精度和准确性。
三、自相量回归模型的应用场景1、金融领域：SQR模型可以用于预测股票价格、汇率等金融市场指标。
通过分析历史数据和市场趋势，SQR模型可以帮助投资者做出更明智的投资决策。
2、医疗领域：SQR模型可以用于预测疾病风险、患者预后等医疗指标。
通过分析患者的医疗记录和健康状况，SQR模型可以帮助医生制定更有效的治疗方案。
3、环境科学领域：SQR模型可以用于预测气候变化、环境污染等环境指标。
通过分析历史数据和环境趋势，SQR模型可以帮助科学家了解环境问题的根源和解决方案。
4、社会科学领域：SQR模型可以用于预测社会事件、人口变化等社会指标。
通过分析历史数据和社会趋势，SQR模型可以帮助政策制定者制定更有效的社会政策。
四、结论自相量回归模型是一种先进的统计回归模型，它具有灵活性、稳健性和可解释性等优点。
ARIMA模型在经济预测中的应用研究
ARIMA模型在经济预测中的应用研究随着技术的不断进步和经济的快速发展，人们对于经济预测的需求变得越来越强烈。
而ARIMA（Autoregressive Integrated Moving Average）模型作为一种经典的时间序列分析方法，在经济预测领域中发挥着重要的作用。
本文将对ARIMA模型在经济预测中的应用进行探究，并分析其优势和不足之处。
ARIMA模型是由自回归(AR)、差分(Integrated)和移动平均(MA)三个部分组成的。
其基本思想是通过对历史数据的观察，分析序列间的自相关性和移动平均性，并根据这些模式对未来的趋势进行预测。
ARIMA模型不仅能够提供对未来数值的预测，还能够分解序列中的趋势、周期和随机成分，有助于分析经济波动的原因和规律。
首先，ARIMA模型在宏观经济预测中具有广泛应用。
宏观经济指标，如GDP、CPI等，对于一国的经济运行状况有着重要的反映作用，通过对这些指标进行预测，政府和企业可以更有效地制定宏观调控政策和商业战略。
ARIMA模型通过对历史数据的分析，可以揭示这些指标的周期、长期和短期趋势，对未来的变化做出比较准确的预测。
同时，ARIMA模型还可以用于发现和拟合宏观经济模型，进一步深化对经济运行的理解。
其次，ARIMA模型在金融市场预测中具有重要意义。
金融市场的价格波动和交易量等指标受到多种因素的影响，如经济政策、利率变动、市场情绪等。
通过对这些指标进行建模和预测，投资者可以制定更加精准的投资策略，降低投资风险。
ARIMA模型可以帮助分析金融市场的季节性、周期性和随机波动，为金融机构决策提供科学依据。
此外，ARIMA模型还可以用于研究金融市场的风险评估和波动预测，为监管机构提供决策支持。
然而，ARIMA模型也存在一些局限性。
首先，ARIMA模型对数据的平稳性有一定的要求，如果时间序列数据存在非平稳性，需要进行差分处理。
其次，ARIMA模型对于长期趋势的拟合能力较弱，无法很好地捕捉长期的结构性变化。
门槛回归的模拟在环境经济学教学中的应用
作者简介 ： 张 成 （1986-） ， 安徽固 镇人， 经济学博士， 南京 财经大学 经济学院讲 师， 硕士生 导师。 基金项目 ： 本 文受到国 家社科基金 青年项目 （12CJY008） 和江苏高 校优势学科 建设工程 资助项目 的资助。
·180·
第 20 期 2012 年 10 月
企业研究 Business research
表 1 传统回归方法的拟合值
线性 二次型 三次型
总第 410 期
表 3 双门槛回归的拟合值
-10.957*** x (-18.466)
55.584*** (15.437) -2.217
***
204.327*** (13.884) -12.433*** (-12.565) 0.224***
领悟 了环境经济学 的经 典原 理， 还 能 够促 使学 生课 后主 动练 习， 从 而 达到 灵活 运用 门槛 回归 的目 的。
关 键 词 ：环境经济学 ； 门槛 回归 ； 模拟 ； 教学
随着计量经济学的不断发展，该学科已经和众多其他学科进 行了深层次的融合。 但以许多非计量经济学专业的学生反映来看， 普遍缺乏对计量经济手段的直观认识，往往对一种回归方法的认 识只是停留在死机硬背上， 未能从根本上加以信服、 理解和应用。 为此， 本文基于环境经济学的教学背景， 以环境规制强度和生 产技术进步之间可能存在的 “∽ ” 型关系为例， 运用模拟的方法来 引导学生深入学习门槛回归方法和环境经济理论。
图 1 模拟数据的散点图
二、 模拟结果的对比分析
（一） 传统回归方法的结果呈现 假设我们并不知道环境规制强度 ｘ 会对生产技术进步到底呈 现什么样的影响， 利用传统的线性回归模型， 并加入 ｘ 的平方项和 立方项，来考察可能存在的非线性关系，可以得到表 １ 的相关结 如果仅考虑线性回归， 系数为 － １０．９５７， 和真实的系 果。可以看出， 数值相差很大。 在二次型和三次型分析中则分别得到了倒 “Ｕ” 型和 “～ ” 曲线关系， 和真实的截断型 “∽ ” 型曲线关系亦相差很远 。此 时， 虽然三个拟合结果的 ｔ 值和拟合优度均较好， 但和真实的关系 形态相差甚远。 但笔者在授课时， 并没有事先给学生说明数据的构 建步骤， 仅指出这是一组数据， 并尝试借助计量手段来研究两者之 间的关系。 当学生对三次型曲线关系较为满意和信服时， 则呈现出 数据的构建步骤和真实的曲线关系。传统拟合结果和真实值的巨 大偏差激起了同学们的兴趣并引发了相关的讨论和思考。 （二） 门槛回归方法的结果呈现 基于门槛回归方法， 首先假设存在一个门槛值， 回归程序为： ｘｔｐｔｍ ｙ ｚ， ｒｘ（ｘ） ｔｈｒｖａｒ（ｘ） ｉｔｅｒｓ（５００） ｒｅｇｉｍｅ（１）。可以得到这一门槛值为
线性回归分析及其在经济预测中的应用
线性回归分析及其在经济预测中的应用线性回归分析是一种常用的统计方法，用于研究自变量与因变量之间的关系。
它假设自变量与因变量之间存在线性关系，并通过拟合一条直线来描述这种关系。
线性回归分析在经济学领域有着广泛的应用，可以用于预测经济指标、分析经济政策的效果等。
首先，线性回归分析可以用于预测经济指标。
经济指标是评估经济状况和发展趋势的重要依据，例如国内生产总值（GDP）、消费者物价指数（CPI）等。
通过收集历史数据，我们可以建立一个线性回归模型，将过去的自变量与因变量进行拟合，然后利用这个模型来预测未来的因变量。
例如，我们可以利用过去几年的GDP增长率和其他相关因素，来预测未来一年的GDP增长率。
这样的预测对政府决策、企业投资等具有重要的指导作用。
其次，线性回归分析可以用于分析经济政策的效果。
在经济学中，政府的经济政策往往会对经济指标产生影响，例如降低利率可以刺激投资，提高税收可以增加政府财政收入等。
通过线性回归分析，我们可以将政策变量与经济指标进行拟合，从而判断政策对经济的影响程度。
例如，我们可以将货币供应量与通货膨胀率进行回归分析，来评估货币政策对通胀的影响。
这样的分析有助于政府制定更有效的经济政策，提高经济运行的稳定性和可持续性。
除了经济预测和政策分析，线性回归分析还可以用于经济学理论的验证和发展。
经济学理论通常会提出一些假设和关系，例如供给与需求之间的关系、劳动力市场的决定因素等。
通过线性回归分析，我们可以将理论中的变量与实际数据进行拟合，从而验证理论的有效性。
如果理论与实际数据拟合较好，那么就可以认为该理论在一定程度上解释了经济现象。
如果理论与实际数据拟合较差，那么就需要对理论进行修正或者寻找其他解释。
这样的研究有助于推动经济学理论的发展，提高其解释和预测能力。
然而，线性回归分析也存在一些限制和局限性。
首先，线性回归分析假设自变量与因变量之间存在线性关系，但实际情况往往更为复杂。
如果变量之间存在非线性关系，那么线性回归模型的拟合效果可能较差。
回归分析模型在经济预测中的应用研究
回归分析模型在经济预测中的应用研究引言：经济预测是一项重要的课题，它对于政府和企业决策具有重要的指导意义。
随着数据的不断积累和技术的不断进步，回归分析模型成为经济预测中一种常用的工具。
本文将探讨回归分析模型在经济预测中的应用研究，包括模型的构建和应用案例。
一、回归分析模型的构建在经济预测中，回归分析模型是一种广泛应用的模型。
它的基本思想是通过观察一系列相关变量之间的关系，来预测一个感兴趣的变量。
回归分析模型的构建一般包括以下步骤：1. 数据收集：首先需要收集相关的数据，包括预测变量和解释变量。
预测变量是我们希望根据现有数据进行预测的变量，而解释变量是用来解释预测变量的相关因素。
2. 模型选择：在回归分析中，常见的模型选择包括线性回归、多项式回归、岭回归等。
在选择模型时，需要考虑数据的特点和实际需求，选择最适合的模型。
3. 变量选择：在构建模型时，需要选择合适的变量作为解释变量。
这个过程可以通过相关性分析、变量筛选等方法进行。
4. 模型估计：在确定了模型和变量之后，需要对模型进行估计。
这一步骤可以使用最小二乘法等统计方法进行。
5. 模型评估：最后，需要对构建的模型进行评估，判断模型的拟合程度和预测能力。
常见的评估指标包括R方值、均方根误差等。
二、回归分析模型在经济预测中的应用案例回归分析模型在经济预测中有着广泛的应用，以下是一些典型的案例：1. GDP预测：GDP是衡量一个国家经济总量的重要指标。
回归分析可以通过历史的GDP数据和其他相关变量，来预测未来的GDP增长。
2. 通货膨胀预测：通货膨胀对经济活动具有重要影响。
回归分析可以通过历史的通货膨胀数据和其他相关变量，来预测未来的通货膨胀水平。
3. 股市预测：股市是经济活动的重要指标之一。
回归分析可以通过历史的股市数据和其他相关变量，来预测未来的股市走势。
4. 汇率预测：汇率的波动对国际贸易和经济发展有着重要影响。
回归分析可以通过历史的汇率数据和其他相关变量，来预测未来的汇率变动。
门限分位数自回归模型及在股市收益自相关分析中的应用
门限分位数自回归模型及在股市收益自相关分析中的应用摘要：门限分位数自然回归模型是一种非限行分位数回归模型，其可以应用讨论系统之中的门限效应。
并且在该模型之中，自然回归阶数以及门限值的确定等都将会为模型的分析效果带来直接的影响。
本文主要对门限分位数自然回归模型以及其在股市收益中的相关应用做出分析，希望能够给予同行业的工作人员提供一定参考价值。
关键词：门限分位数；回归模型；股市收益；分析股市收益的自相关性是金融市场研究中的一个重要问题，研究人员针对于理性预定理论提出了有效的市场假说，奠定了传统的金融学基础。
有效的市场假说理论认为在一个有效的市场之中，股市的价格或者收益直接地反映了所有可能会获得的信息，过去的收益以及未来的收益并不相关，股市的收益则是不可以预测的，反而言之如果股市的收益在时间上是自相关的，那么历史收益是可以影响当前的收益的，这也直接表明了有效市场假说是难以成立的，可以采取序列自相关分析的方法，对其有效市场假说做出相应验证。
一、门限分位数自然回归模型的分析1. 模型的表示分析主要是记{ yt }作为其1 维响应的变量，然而x =(1,yt -1,yy-2,…,yt -p)T 主要是为p+1为向量组成的解释变量，然而{ yt }则是为1维门限的白能量，其自然回归模型之中的门限变量通常情况下是需要相应变量{ yt }的滞后项，而γ则表示为门限，其模型如下所示：和均值自激励门限自然回归的模型进行对比，门限分位数自回归模型存在着下述的优点：一是信息刻画更加全面，回归系数估计在不同的分位点可能存在着不同的表型，同时不同阶段的变量之间关系更加细致。
二是具有比较强的稳健性，和均值自激励门限自回归模型要求误差项服从特定分布的不同，其允许误差项服从一般的非对称的分布。
2. 模型的定阶在门限分位数自然回归之中，最优滞后阶数p的选择是十分重要的，可以通过AIC的准确去进行实现，然而定义AIC的准则则是如下所示：可以看出，AIC主要由两个部分所组成，一是可以反映出模型的拟合程度，主要是为前半段进行表示。
- 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)。
P 123#-!7!M%) 1238#-!7!M% 8) &
根据 经 验选定 -!7的变化 范围!按 照 123准 则选取最佳模型Q
123) NGB123#-!7!M% -!7
#0%
以上门限自回归模型的建立只涉及线性
运 算!因而容 易 得 到 @ 时 刻 的 A步 线 性 最 小
方差预报是
D
$@#A%)
R*#8%F
DR%D$@#A.
&%F
’
FDRA#.8%&D$@#&%FDRA#8%$@F ’
F R $ D#8% 98 @F A. 98
D
$@#A. 7%E #68. &!68%!8) &!,!’ !-
#S%
注意在上式中若
A. 7T *时
D
$@#A. 7%)
$BFA.7是 @ 时刻之前的观测值5
而 )/* -,是 经 季 节 差 分 处 理
:;<
N
!.)@AB;*
K
J0*
K
J!;*
KJ.;.,
)!!,
然 后 再 建 模 O预 测 D 具 体 计 算 时 取 最 大 门
工业贷款 商业贷款 农业贷款 准货币
/2410 52036 .254/ 527.6 72/.4 .2534 !246. 327/4 52067 /2!5. /23/! /20!. /2606 62!!4 !2131 .25!6 !26/7 .2043 52754 .2050 .2!43 .2/5/ .2175 !2!31
一J门限自回归模型
在 对 经 济 时 间 序 列 进 行 分 析 研 究 时B许
多 场 合 使用 !%K! 或 !%GK! 模 型 效 果 不
理 想 B造 成 这 种 状 况 的 一 个 重 要 原 因 在 于 L经
济 序 列 本 身 的 内 在 规 律 是 非 线 性 J非 平 稳 的 B
需 要 用 非 线 性 模 型 来 刻 划B而 !%K! 或
U P STV SDV R V S+P U B自 激 励 门 限 自 回 归
模 型 9#A$!%:是 指 NH.O适 合 于 下 面 模 型
)E
X H.P *T9E:W
* H 9E: 0 .6
0W
Y
BS 9E:
. E6
DV
H.6
4V
SE
0P D
EP DBQBR B+
9D:
其 中B称 STBSDBRBS+为 门 限 值B非 负 整 数 4
!%GK! 是 线 性 模 型B门 限 自 回 归 模 型 恰 恰
提供了解决一类非线性问题的手段M
9一 :门 限 自 回 归 模 型 的 表 述
门限自回归模型可描述如下L
设NH.OB.P DBQBRBF 是 非 平 稳 随 机 序
列BSTBSDBRBS+定 义 了 实 轴 上 的 一 组 划 分 6
我 们 选 用 我 国 /&项 宏 观 经 济 指 标 的 月 度 数 据 序 列 #&([/\*&]&((/\*X%!数 据 个 数 @) &&0!&((,\*^] &((/\*X的 数 据 留 作 检 验 预测用5具体的指标项目见表 &5
#一 %数 据 的 预 处 理 鉴于所考查的经济序列都有明显的增长
$!%#&模 型 也 有 类 似 的 结 果 M
门 限 分 点 SDBRBS+6D的 选 取 一 般 是 根 据 经 验 分 布 B由 分 位 数 确 定 M假 定 NH.O是 门 限 变
阎 军 顾 岚Q门限自回归模型在经济分析和预测中的应用
0(
量!我 们 计 算 其 经 验 分 布 "#$%!得 出 分 位 数 点的样本值 $&!’!$(!有
综上所述!在模型#&%中当 -!7!68!98选定 时!我 们 可 对 观 测 序 列 :$;<!:=;<建 立 门 限 区 间>68.&!68?上的模型并计算相应的 123值
123#-!7!98%) @8AB#DC,E #8%%F ,98 #/% 其 中 @8!DC,E #8%分 别 是 该 门 限 区 间 建 模 所 涉 及 的 数 据 个 数 及 残 差 方 差5 对 于 不 同 的 8! :EG#8%<是 相 互 独 立 的 白 噪 声 序 列!因 此 HIJ K1L模型的 123值是各区间分模型 123值 之和5
DR,#G8%D$@#A. G%
G) &
B,8
P F
DU,#G8%D=@#A. G%
G) &
68. &T $@#A. 7%O 68!8) &!,!’ !-
#X%
由
#S%!#X%可 得 到 各 步 预 报 值
D
D
$@#A%!=@#A%!A
) &!,!’!需 要 注 意!当 AY 7时 根 据 预 报 值
"#$&%) *+&!"#$,%) *+,!’!"#$(%) *+( 只 需 从 $&!’!$( 中 选 取 -. &个 点 作 为 门 限 分点!而 -一般不宜取大!通常取 -),!/或 0 #即门限分点数为 &!,或 /%!-及具体门限值 的挑选是依据 123或 423准则5-确定后!从 待 选 门 限 分 点 $&!$,!’!$( 中 按 各 种 组 合 挑 选 -.&个作为门限分点 6&!6,!’!6-.&!然后 对 数 据 进 行 门 限 自 回 归 模 型 拟 合!确 定 出 在 此 -下 123值最小的模型!继而改变 -!确 定 出 不 同 -之下 123值 最小的 模 型5 另 外!对 于不同的门限滞后量 7也需计算其 123值! 并加以比较5
称 为 门 限 滞 后 量M 式 9D:中 NY.9E:OBEP DBQB
RB+是 +个相互独立的白噪声序列M若 前 4
期 的 H064取 值 在 第 E个 区 间B则 用 相 应 的 )E
阶自回归模型拟合M如果我们考查多个变量
之 间 的 相 互 关 系B可 以 建 立 闭 环 门 限 自 回 归
模型 9$!%#&:M 以 二 元 变 量 为 例B设 NH.OB
:;<
@A)$;I;,*
K
)J0L
K
J!;L
KJ!;.,
)3,
轻工业总产值 4213/ !02.04 62!7. 32130 !!25/0 !!231/ 然后对?:;C用M!中 的 "#$%&模 型 进 行
重工业总产值 !02643 12133 32.33 !.27.1 !/27/0 !42403 建 模 及 预 报9最 后 得 出 对 原 序 列 的 预 报D
E9EPDBQBRB+及 EPDBQBRB+.:各 序 列 相 互
独 立 B且 与 NH.OBN>.O也 独 立 M 9二 :门 限 自 回 归 模 型 的 建 立 和 预 报
对 于 任 意 选 定 的 +个 门 限 分 点 STBSDB
RBS+及 门 限 滞 后 量 4B我 们 可 由 式 9D:利 用 线 性 最 小 二 乘 建 立 相 应 的 #A$!%B对 于
:;<
@AB;*
K
)J0L
K
J!;L
KJ.;.,
)!0,
表 !中)/*+,是对上式 产 生 的 ?:;C)含 季
节变化 ,进 行 "#$%& 建 模 的 预 测 结 果D
’0 企业存款 各项贷款 贷款总额
!!2.64 !427!6 !/20// !02074 !62/63 !.231! 62.66 !/2!3/ !02//3 32405 3216/ .!2/3. !2!/1 !271! /2305 .2040 526/. !2//. 02116 121!! 52/11 !214! .27.. !2.!.
由于门限自回归模型中需要识别的参数
较 多 !因 此 只 能 逐 步 地 实 现 参 数 的 优 化 5例 如 先 固 定 -!7并 框 定 式 #&%中 自 回 归 最 大 延 迟 量为 M#可根据经验设定%!于是
1238#-!7!M%) NGB123#-!7!98% &O 98O M
这时 HIK1L模型的 123值为
发电量
.2414 5256! !2403 !2135 .2.36 /25.7
工资总额
52353 /2//. .2604 /2.41 72176 !.2131
城乡居民储蓄存款/2614 .2305 72074 723// 42014 62363
/2多 项 式 拟 合 从序列?@AB;C中用多项式拟合提取趋势
]\
统计研究 ^_‘_ab_ac‘defbf‘gch
ijjk年第 l期 mn?l ijjk
门限自回归模型在经济分析 和预测中的应用
阎军 顾岚
!"#$%!&$
$’()*)(+)+(,(-.,.’(*))/01*.02-23$’+(,’2/4!5.26%(7+(,,08(9$!%:;24< (/0-4(*/0-7=0.’.’(-2-/0-(*+0.>0-(12-2;>?@0.’#A$!% ;24(/B32+(1*,.0-723 CD&’0-*,;*1+2(12-2;01,(+0(,0,)(+32+;(4*-4.’(*115+*1>234033(+(-.)+()+(2< 1(,,0-7;(.’24,*+(12;)*+(4?@0.’$!%#&;24(/B&’0-*,!4E*1(-.F*.02-*/G-< 12;(G-4(H*-4!115;5/*.02-+*.(*+(5,(4.2*-*/>I((12-2;013/51.5*.02-B(;)0+< 01*/0-.(+)+(.*.02-23.’(3/51.5*.02-*-4/(*40-7*-4/*770-7*+(*/,2)+(,(-.(4? $’(+(,5/.,23.’(*))/01*.02-*+(,*.0,3*1.2+>?