文档介绍：期末论文设计论文题目: 第三产业增长值增加预测学生姓名: 学号: 专业: 班级: 指导教师: 完成日期: 年月日[摘要] 服务业又称第三产业,根据世界银行公布的数据,目前全球第三产业增加值占 GDP 比例的平均值超过 60% ,一些发达国家接近或超过 70% 。从吸纳就业来看,服务业己成为吸纳就业的主要渠道,本文旨在提出一种第三产业增加值预测的平稳预测方法,即根据改革开放以来第三产业增加值的时间序列趋势, 运用 Eviews6 统计软件确定合适的 ARIMA 模型,并对 201 2-2015 年我国第三产业增加值做出预测。[ 关键词] 第三产业增加值预测 Eviews6 ARIMA 模型一、引言改革开放以来,经过三十多年以第二产业为主体的经济快速发展,第三产业己经成为全国各地下一轮的经济增长热点,有着巨大的发展空间。1978 年至今, 我国全面推动经济结构战略性调整和产业升级,加快第三产业建设步伐,取得丰硕成果。从三次产业结构来看,第一产业规模萎缩,第二、三产业规模有较大的发展,第三产业尤为明显,无论在单位总量还是所占比重,都有很大幅度的增加。因此,深刻认识我国第三产业发展现状,准确把握第三产业的发展动向,较为精准的预测第三产业增加值,不失时机地制定出符合我国实际情况的第三产业发展策略和措施,对于推进经济社会全面协调和可持续发展具有重要的现实意义。二、数据的简单分析与 ARIMA 模型从图 2图三中可以看到,第三产业增加值时间序列趋势呈现出明显的递增趋势。在时间序列的平滑预测当中一次移动平均法和一次指数平滑法只适用于变化不大的平稳时间序列,当时间序列发生变化尤其是发生突然变化时,预测模型就会变得不理想,而且在比较长的时期内一直跟不上实际的数据,反应缓慢。由序列的时序图不难看出,该序列呈现出明显的递增趋势,不具有平稳序列的特征, 因此不宜采用一次指数平滑法或是一次移动平均法。(以下数据均来自《201 2 中国统计年鉴》。) 图 1-1978-2011 年全国第三产业指数图 1-Excel 全国第三产业指数图图 3-Eviews6 全国第三产业指数图 ARIMA 模型全称为求和自回归移动平均模型(autoregressive integrated moving average model, 简记 ARIMA) ,是由詹金斯(Jenkins) 与博克思( Box) 于20 世纪 70 年代初提出的时间序列预测方法。其中 ARIMA{p, d,q} 称为差分自回归移动平均模型, AR 为自回归, p 为自回归项;MA 为移动平均, q 为移动平均项数, d 为时间序列达到平稳时所做的差分次数。同时 ARIMA 中的 SARAMA 模型专门用于预测季节周期性数据。 ARIMA 模型的基本思想是: 将预测对象随时间推移而形成的数据序列视为一个随机序列,用一定的数学模型来近似描述这个序列。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。 ARIMA(p,d,q) 模型共有 p+d 个特征根,其中 p个在单位圆内,d个在单位圆。所以当 0?d 时 ARIMA(p,d,q) 模型非平稳。 0?d 时,原序列方差非齐性,当选择 ARIMA ( 0,1,0 )模型 2110)()( ?????tx Var x Var ttt??????? d阶差分后,差分后序列方差齐性 2)()( ?????? tt Var x Var 。 ARIM A 模型最大的优点在于对季节周期性数据指标的准确预测,其与线性回归预测模型的区别为: 线性回归预测模型的年度、季度、月度模型往往不能较好地揭示出被解释变量的非线性特征,而 ARIMA 模型的季度或月度模型能揭示出被解释变量的非线性特征;线性回归预测模型直接使用最小二乘法,估计简单, 对含有解释变量的滞后项的回归模型,则需要识别它的阶数,而 ARIM A模型需要先估计它的阶数后,再使用最小二乘法; 利用线性回归预测模型进行预测时, 需要知道解释变量的预测值,而利用 ARIMA 模型进行预测时不存在这个问题。三、第三产业增长值 ARIMA 预测模型模型构架步骤 1 、序列平稳化根据时间序列的散点图、自相关函数{ACF} 和偏自相关函数图{PACF} ,以 ADF 单位根检验其方差、趋势及其季节性变化规律,对序列的平稳性及其周期性进行识别。如果数据序列是非平稳的,并存在一定的增长或下降趋势,则需要对数据进行差分处理; 如果数据存在异方差,则需对数据进行技术处理,直到处理后数据的自相关函数值和偏相关函数值无显著地异于零,这个过程叫非平稳序列平稳化。 2 、模型识别首先对平稳序列的模型进行识别,若平稳序列的偏相关函数是拖尾的,而自相关函数是截尾的,则可断定序列适合 MA 模型; 若平稳序列的偏相关函数是截