时间序列分析结课论文

时间序列分析结课论文全国社会消费品零售总额的时间序列分析

全国社会消费品零售总额的时间序列分析

摘要

时间序列分析是经济领域研究的重要工具之一，它描述历史数据随时间变化的规律，并用于预测经济变量值。市场经济中，政府对市场变化的即时反应是各国经济工作的重点。在我国，随着市场经济的日益成熟，各级政府逐渐认识到短期计划的重要性。在要求减少对市场干预的同时，政府在经济中的作用主要体现在保证经济运行的正常轨道，由于社会消费品零售总额反映了经济运行中的一个重

要环节———消费，尤其是目前我国市场上的消费需求不足现象，使我国经济发展受到外需与内需两方的困扰。因此对于社会消费品零售总额预测中的研究一直具有积极意义。

本文就以以我国1952年至2011年我国社会消费品零售总额为研究对象，做时间序列分析。首先，对全国60多年来社会消费品零售总额的发展变化规律，运用SAS软件进行分析其发展趋势。再则，通过检验说明模型拟合效果的好坏，再利用模型对下一年进行预测。最后，从国家经济、政策和社会消费品零售市场发展等方面对社会消费品零售总额变化规律及未来走势进行分析。

关键字：社会消费品零售总额 SAS软件时间序列分析预测

一．引言

社会消费品零售总额是指各种经济类型的批发零售业、贸易业、餐饮业、制造业和其他行业对城乡居民和社会集团的消费品零售额和农民对非农民居民零售额的总和。这个指标能够反映通过各种商品流通渠道向居民和社会集团供应生活消费品来满足他们生活需求的情况，是研究人民生活、社会消费品购买力、货币流通等问题的重要指标。随着消费环境的逐步改善，人们的消费能力不断增强，人们消费能力的增强直接带动了社会消费品零售总额的发展，“十一五”期间，面对复杂多变的国内外形势，特别是为应对国际金融危机的冲击，国家出台了一系列扩大内需、促进消费等政策措施，消费品市场的稳定发展对我国缓冲金融危机起到了明显的积极作用，消费需求已经成为经济增长的重要组成部分。

中国社会消费品零售业的发展将进入参与国际化竞争的新阶段，可靠准确的数

据体系有利于政府的宏观决策，而零售总额的数据受多种因素的影响。因此对我国社会消费品零售总额进行预测是有积极意义的。

本文利用时间序列分析方法对我国社会消费品零售总额进行分析和预测。时间序列分析是根据动态数据揭示系统动态结构的规律的统计方法。其基本思想是根据系统的有限长度的运行记录（观察数据），建立能够比较准确地反映时间序列中所包含的动态依存关系的数学模型，并借以对系统的未来行为进行预报

二．问题重述

1.1问题背景

社会消费品零售总额指企业（单位、个体户）通过交易直接售给个人、社会集团非生产、非经营用的实物商品金额，以及提供餐饮服务所取得的收入金额。个人包括城乡居民和入境人员，社会集团包括机关、社会团体、部队、学校、企事业单位、居委会或村委会等。

社会消费品零售总额由社会商品供给和有支付能力的商品需求的规模所决定，是研究居民生活水平、社会零售商品购买力、社会生产、货币流通和物价的发展变化趋势的重要资料。反映一定时期内人民物质文化生活水平的提高情况，反映社会商品购买力的实现程度，以及零售市场的规模状况。

1.2问题的提出

时间序列是指同一种现象在不同时间上的相继连续的观察值排列而成的一组数字序列。时间序列预测方法的基本思想是：预测一个现象的未来变化时，用该现象的过去行为来预测未来。即通过时间序列的历史数据就可以揭示现象随时间变化的规律，将这种规律延伸到未来的一段时间，从而对该现象的未来做出预测。对此希望建立相关的社会消费品零售总额的数学模型并来预测居民消费价格指数未来年间的走势。

社会消费品零售总额是一个具有滞后性的数据，根据社会消费品零售总额的这一个特点，我们可以运用时间序列分析的方法对我国社会消费品零售总额进行合理拟合，但不排除有误差的存在，从而对未来的社会消费品零售总额走势做出合理的预测。

三、时间序列模型

3.1模型介绍

对于短的或简单的时间序列，可用趋势模型和季节模型加上误差来进行拟合。对于平稳时间序列，可用通用ARIMA模型及其特殊情况的自回归模型、滑动平均模型或组合-ARIMA模型等来进行拟合。所谓的ARIMA模型是指将非平稳时间序列转化为平稳时间序列，然后将因变量仅对它的滞后值以及最忌误差项的现值和滞后值进行回归所建立模型。ARIMA模型根据原来的时间序列是否平稳和回归中包含部分的不同，分为了几个类别：MA（移动平均过程）、AR（自回归过程）、ARMA(自回归移动平均过程)、ARIMA过程。当观测值多于50个时候一般都采用ARIMA模型来进行拟合。本文社会消费品零售总额收集到的数据为60个，因此采用ARIMA模型进行拟合和趋势的预测。

求和自回归移动平均（AutoRegressive Integrated Moving Average，ARIMA）模型是以序列不同时期内的相关度量为基础，进行的一种精确度较高的短期预测分析方法。该法由美国学者Box和英国统计学者Jenkins于1976年提出来的，故又被称之为Box-Jenkins模型。

在ARIMA模型中，变量的未来取值可以表达为过去若干个取值和随机误差的线性函数式中：

其中B是后移算子，εt为各期的随机扰动或随机误差，d为差分阶数，p和q 分别表示自回归阶数和移动平均阶数，Xt为各期的观察值（t=1,2，…，k）。

3.2模型的建立步骤

对于非平稳时间序列则要先将观测到的时间序列进行差分运算，并化为平稳时间序列后，再用适当的模型去拟合这个差分序列。通常情况下，求和自回归移动平均模型的建模过程分为以下几个步骤：

(1)对原序列进行平稳性检验，若原序列为非平稳序列则通过差分消除趋势；

(2) 判断序列是否具有季节性，若具有季节性的波动，则通过季节差分来消除季节性；

(3 ) 进行模型识别

(4) 进行模型定阶；

(5) 对模型的参数进行估计；

(6) 对模型的适合性进行检验，即对残差序列进行白噪声检验，判断是否是白噪声序列；

(7) 给出模型的预测结果，并画出趋势预测图。