摘要：我国工业发展情况能反映国家的经济水平，对研究工业的发展能很好的得出工业总产值的产量变化情况。首先绘制折线图和工业增加值自相关图进行平稳性和季节性分析得出相应的结果。从图中的分析消除趋势同时减小系列波动，对原系列做一阶自然对数逐期差分并且消除季节性。最后建立季节模型计算各模型参数估计结果和各模型检验结果。用所建立的模型预测2013年1至12月工业增加值和白噪声检验，以明确模型的可用性。
关键词：平稳性和季节性 自然对数逐期差分
一、问题的提出
加强中国统计数据的质量评估已经变得尤为重要，是提高数据质量的有效方法。研究数据质量的准确性和有效性是数据质量评估两个重要特性。对数据的可比、衔接等深层次研究都需要在数据质量精度高的条件下进行分析所得到的结论才会具有较高的可靠性，这样才能用数据去解释各种研究主题的实际意义。而本文是基于计量模型分析法对工业增加值数据的精度进行评估，通过建立季节模型并对下一年度数据进行预测，计算出预测偏差，得到在95%置信水平下的置信区间进而对数据质量进行综合评估。
二、理论与方法的介绍
（一）数据说明
由于最新的国家统计局数据只公布了工业增加值同比增长率并且最新的数据公布标准是为消除春节日期不固定因素带来的影响，增强数据的可比性，按照国家统计制度，自2013年起，1-2月份工业数据一起调查，一起发布，不再单独发布2月份当月数据。所以我们只能通过同比推算得到2000-2012各年2月至12月的工业增加值数据。所以本文决定利用工业增加值累计同比推算一月的工业增加值，这种方法保证了工业增加值的数据质量。
（二）模型识别
工业增加值是指按不变价格计算的工业企业在报告期内以货币形式表现的从事工业生产活动的最终成果。工业增加值数据是随时间变化的时间序列，不但具有随机性而且包含了趋势和季节特性，是一个非平稳的序列。
由于本文研究的工业增加值序列具有趋势及季节性，季节[ARIMA]模型是一种理论上成熟的算法，它对周期性变化的序列有较高的预测准确度。选择建立[ARIMA（p，d，q）]模型，阶数为[ARIMA（p，d，q）（P，D，Q）s]的乘积季节模型的基本形式为：
[?p（B）ΦP（Bs）?d?DsYt=θq（B）ΘQ（Bs）ut]
LM（Lagrange multiplier）检验对[ARIMA]包含误差项的模型残差序列进行高阶自相关检验，并允许存在因变量的滞后项。检验假设为：
[H0]：残差序列不存在小（等）于[p]阶的自相关
[H1]：存在[ARMA（r，q）]形式的误差项；其中[p=maxr，q]。
手机版
欢迎光临汇博在线http://www.paper188.com