文档介绍：ARlMA模型案例分析[编辑]案例一:ARlMA模型在海关税收预测中的应用2008年。%,%。为了对2008年江门海关税收总体形势进行把握,笔者尝试利用SAS统计分析软件的时间序列预测模块建立ARIMA模型,对2008年江门海关税收总值进行预测。从预测结果来看,预测模型拟合度较高,预测值也切合实际情况,预测模型具有一定的应用价值。现将预测的方法、原理以及影响税收工作的相关因素分析。一、ARlMA模型原理ARIMA模型全称为自回归移动平均模型(AutoregressiveIntegratedMovingAverageModel,简记ARIMA)。是由博克思(Box)fFfl詹金斯(Jenkins)于70年代初提出的一著名时问序列预测方法,所以又称为box--jenkins模型、博克思一詹金斯法。其中ARIMA(p,)称为差分自回归移动平均模型,AR是自回归,P为自回归项;MA为移动平均,q为移动平均项数,d为时间序列成为平稳时所做的差分次数。ARIMA模型可分为3种:(1)自回归模型(简称AR模型);(2)滑动平均模型(简称MA模型);(3)自回归滑动平均混合模型(简称ARIMA模型)。ARIMA模型的基本思想是:将预测对象随时问推移而形成的数据序列视为—。这个模型一旦被识别后就可以从时间序列的过去值及现在值来预测未来值。ARlMA模型在经济预测过程中既考虑了经济现象在时间序列上的依存性,又考虑了随机波动的干扰性,对于经济运行短期趋势的预测准确率较高,是近年应用比较广泛的方法之一。二、,通过对该时间序列上税款值的随机性、平稳性以及季节性等因素的分析,将这些单月税收值之间所具有的相关性或依存关系用数学模型描述出来,从而达到利用过去及现在的税收值信息来预测未来税收情况的目的。(一)对序列取对数和作差分处理,形成稳定随机序列ARIMA模型建模的基本条件是要求待预测的数列满足平稳的条件,即个体值要围绕序列均值上下波动,不能有明显的上升或下降趋势,如果出现上升或下降趋势,需要对原始序列进行差分平稳化处理。从上图可看出,江门海关自2002年以来的实际入库税收值数列波动性较明显,且呈现出一定的上升趋势,不能直接用ARIMA模型进行建模。取对数可以消除数据波动变大趋势,对数列进行一阶差分,可以消除数据增长趋势性和季节性。从下图可以看出,预测数列取对数并作一阶差分后的图形显示基本消除了长期趋势性的影响,趋于平稳化,满足ARIMA模型建模的基本要求。(二)模型参数的估计时间序列预测模块的自相关分析包括对自相关系数和偏相关系数的分析,通过对比分析从而实现对时间序列特性的识别。从计算结果可知,自相关函数1步截尾,偏自相关函数2步截尾,白相关函数通过白噪声检验。根据变换数列的自相关函数和偏自相关函数的特点,并经过反复测试,=l,p=2和q=l。对参数进行检验。从检验结果可知,()和标准误差(0