时间序列在经济预测中的运用研究

◆陈海英

时间序列在经济预测中的运用研究

◆陈海英

近几年以来，我国的经济得到了快速的发展，为了保证我国经济的可持续发展，进行有效的经济预测是至关重要的，因此，我们可以采用结构时间序列模型对经济进行预测。时间序列模型当中所得到了指标都是不可观测的变量，因此，我们不能使用回归分析这一方法，所以，在对时间序列模型进行解答时，我们要采用一些科学、有效的方法。我们通过不同的结构时间序列模型可以准确的预测出社会消费品零售总额、GDP等，保证了经济预测结果的准确性。本文主要对时间序列在经济预测中的应用进行详细的探究。

时间序列模型；经济预测；运用研究；ARIMA模型

时间序列是指将一个现象的某一个统计指标在不同时间上的各个数值，从而按照时间的先后顺序排列而形成的序列。时间序列的分析模型主要有加法模型和乘法模型。利用时间序列模型可以直观的表现出社会经济发展的变化过程，同时了解到社会经济的发展速度和发展趋势，此外，利用时间序列可以在不同国家或地区之间进行对比分析，使用发展较为先进的计算机技术，可以准确、迅速的进行经济预测。由于社会经济的快速发展，使得许多不确定的因素对经济发展的影响越来越大，引起了人们的广泛关注。因此，利用时间序列进行经济的预测可以有效的提高经济发展的稳定性。

一、对时间序列的分析

时间序列分析法被认为是一种定量的方法，作为统计学当中的一种预测方法，被人们广泛的使用着。早在第二次世界大战之前，在经济预测当中就已经使用到了时间序列分析法，并且在二战结束之后，在军事研究、科学领域、工业领域等各个方面都有时间序列这一预测方法的影子。

时间序列分析作为一种动态数据处理的统计手段，在具体问题的解决上具有重要的影响作用。时间序列可以描述现象的发展状态和发展结果。组成时间序列的要素主要有四个，第一，长期趋势。这是指某一个现象由于某种因素的影响而在长时间内产生的整体的变化走向。第二，季节变动。这是指某一个现象在一年中由于季节的变化而发生的周期性变化。第三，循环变动。这是指某一个现象在一定的周期内而发生的波动性的变化规律。第四，不规则变动。这是一种没有一定的规律的变动。除此之外，时间和指标数值是构成时间序列的两个最基本的要素。

利用时间序列进行经济预测是把连续性理论当作主要的依据，我们根据任何事物的发展都有一定的规律性以及连续性，且其发展的规律是由自身来决定的这一理论，在各种影响因素不发生变化的条件下，那么事物的发展就会不断的继续。

二、时间序列在经济预测中的应用

（一）结构时间序列模型进行预测的优势。结构时间序列模型的建立是对其结构进行研究，从而判断出会使时间序列发生变化的原因有哪些，并且根据这些进行经济预测。所以，我们要根据不同的经济指标来建立相应的结构时间序列模型，因此，我们以国内生产总值、狭义货币供应量以及社会消费品零售总额作为经济示例，构建不同的时间序列模型。

除此之外，结构时间序列模型构建的核心基础是卡尔曼滤波，卡尔曼滤波是一种利用线性系统状态方程，通过系统输入输出观测数据，对系统状态进行最优估计的算法。由于观测数据中包括系统中的噪声和干扰的影响，所以最优估计也可看作是滤波过程。卡尔曼滤波能够准确的计算出似然函数，进而对时间序列模型中的未知参数进行预测。当我们获得一个新的观测值的时候，我们就可以通过卡尔曼滤波对状态向量进行连续的估计。因此，我们基于这一原理，对国内生产总值进行预测，并且通过信息计算机技术进行下一步的预测，大大的提高了对经济预测的速度和准确程度。

（二）结构时间序列模式对国内生产总值的预测。国内生产总值（简称GDP)是指在一定的时间当中，在地区或者国家的经济当中产生的所有最终产品和劳动的价值，一般将其作为衡量一个国家经济发展情况的重要标准。国内生产总值不仅能够反映一个国家的经济发展情况，同时也是国家的实力和财富的重要体现方向。由此可见，精准、有效的对国内生产总值进行预测是至关重要的。

在利用结构时间序列模型对国内生产总值进行预测时，我们应用到了卡尔曼滤波，这个算法的最主要特征就是当我们获得一个观测值的时候，可以利用卡尔曼滤波对此进行相应的改进与完善，从而提高对经济预测结果的准确程度。其中，GDP是一项关键的宏观指标，所以我们对国内生产总值进行一步预测，利用结构时间序列模型进行有效的预测。

此外，我们还可以利用增长曲线模型和限界时间序列模型两种手段，对国内生产总值进行预测，从而计算出均方根误差，根据计算结果，和结构时间序列模型进行比较分析，从中我们可以得出：结构时间序列模型法的预测结果更为准确。

（三）时间序列分析对侠义货币供应量（M1）的预测。对于狭义货币供应量序列的预测，我们也可以使用结构时间序列的模型建立法，以达到精准的预测效果。我们选取1995年的1月份到2004年的1月份作为数据区间范围，进行数据模型的建立，把2003年到2004年的数据当做检验型的数据模型，并且利用ARIMA模型进行狭义货币供应量的模型建立。我们通过结构时间序列模型得到预测结果之后，还要对序列进行乘上外推的季节因素，并且对实际值和预测值进行比较分析，计算得到均方根误差，从而验证预测的准确程度。

（四）时间序列模式在社会消费品总额预测中的应用

1.社会消费品总额预测中应用时间序列的原因。社会消费品零售总额是指批发业、零售业、住宿业和餐饮业以及其他行业直接售给城乡居民和社会集团的消费品零售额度。根据各类消费品的统计结果来看，社会消费品零售总额是表现国内消费需求最直接的数据，同时它也是反映各行业通过多种商品流通渠道向居民和社会集团供应的生活消费品总量，是研究国内零售市场变动情况、反映经济景气程度的重要指标。近几年以来，社会消费品总额在国民经济中所占的比例越来越大，已经成为推动我国经济建设的重要指标。所以，我们需要采用合适的方法对社会消费品总额进行预测，同时，模型的构建也对经济的预测起着不可替代的作用。

将时间序列分析有效的应用到社会消费品总额的预测中，不仅可以提前对其发展的趋势和状态有一个进一步的了解，而且我们也可以通过不同时间段变量的相关关系对其内部的结构进行说明，进而准确的对社会消费品总额进行预测，保障经济预测的可持续发展。此外，我们也可以把利用时间序列预测得到的结果与社会消费品总额的实际情况进行比较分析，从而判断出经济的发展状态和人们消费的实际需求，为经济预测工作的有效进行提供动力基础。

2.社会消费品总额预测中应用时间序列的模型建立。我们由前几年建立出来的社会消费品零售总额的模型来看，社会消费品零售总额会随着时间的增长而呈现出上升的发展形势，同时也会根据季节的变化而产生相应的变化，并且变化的幅度不断的增加。在不同的时间、不同的季节，社会消费品零售总额呈现出巨大的变化幅度，并且和人们的消费水平、收入水平、价钱所驱和个人生活习惯也有着较为直接的关联。

在构建社会消费品零售总额的模型时，首先选择数据的区间范围是1996年的1月份到2004年的3月份。在模型的建立之前，我们可以利用乘法模型对CS序列进行一个季节上的完善整合，最终得到一个新的序列CS*，再基于ARIMA模型构建社会消费品零售总额模型。通过时间序列模型进行预测后，还要在所得的序列基础上乘以外推的季节因素，从而得到一个完整的预测结果。

我们根据ARIMA模型的建立，所得到的结果说明了社会消费品零售总额的时间序列会由周期为12的季节产生较为显著的变化，而且会随着时间的变化呈现出上升的趋势以及季节的波动性变化，这也表面了时间序列产生的不稳定性。除此之外，根据CS*这一模型的建立，我们发现，社会消费品零售总额的数据序列具有周期性的变化趋势，且周期时间为12。基于乘法模型的建立是为了消除由于季节变化而产生的波动性变化。我们通过大量的计算数据可以得到相应的季节因子，从而得到每个月的季节因子，再列出变化趋势方程，最终就会得到准确的预测结果。

三、小结

通过对时间序列在经济预测中的运用探究，我们了解到了，利用时间序列模型能够对国内生产总值、社会消费品总额以及侠义货币供应量等经济形式进行准确的预测，并且取得了很好的预测效果。在实际的生活当中，将时间序列有效的应用到经济预测中去，可以方便的解决在经济预测中遇到的问题，从而建立起科学的数据模型，为经济预测提供更好的方法途径。作为经济预测中最主要的一种方法，时间序列得到了极其广泛的应用，在经济预测当中的发展前景也会更加的广阔。

[1]汪滔.基于时间序列法与情景规划法的经济增长趋势预测[D].暨南大学.2016.

[2]张旭华，伍长南.闽台经济总量比较预测研究——基于ARIMA时间序列模型[J].现代台湾研究.2015 (5) :36-42.

[3]寇茜茜，何希平. 基于RBM的神经网络时间序列预测[J].数学的实践与认识. 2016 , 46 (9) :171-178.

[4]李雅楠.一种时间序列的模糊神经网络预测方法[J].科技视界.2017 (8).

武汉设计工程学院校级科研项目，编号：K201405。

陈海英(1976-10)，女，汉，河南信阳人，硕士，武汉设计工程学院公共基础课部副教授；研究方向：高等数学教育教学研究。