我国政府教育投入努力程度的分析与预测——基于ARIMA模型的研究

本文将我国财政预算内教育经费支出占国内生产总值(GDP)的比例作为衡量政府教育投入努力程度以及教育经费充足程度的指标,并将其看做是一时间序列,采用差分自回归移动平均模型(ARIMA)对中国1979年至2008年的财政预算内教育经费进行了分析和预测。结果显示,采用ARIMA(0,2,1)模型进行拟合,获得了较为理想的效果...     

基于结构方程模型改进ARMA模型参数估计

自回归移动平均模型（ARMA模型）是目前最常用的拟合平稳序列的模型,分为AR模型、MA模型和ARMA模型三大类。通常将自回归模型（AR）、移动平均模型（MA）或自回归移动平均模型（ARMA）,称作ARIMA模型体系,是一个重要的预测工具,成为时间序列分析中许多基本思想的基础。针对时间序列数据分析中ARMA模型的识别、建立和估计问题,提出一种将SEM结构方程应用于ARMA模型参数估计的改进算法,以加快计算的收敛速度和提高模型参数估计的精确度。通过将时间序列数据的协方差式子进行变换,发现其结果满足结构方程对变量协方差的要求。结果表明,可以将SEM结构方程应用于ARMA模型来处理时间序列模型数据。     

基于ARIMA模型的传染病疫情计量研究

通过自回归移动平均模型(ARIMA)曲线拟合乙型肝炎疫情的发病数,以此为依据对传染病行业的需求进行分析和预测。选择2009～2018年乙型肝炎发病数据,通过时间序列分析法进行处理,采用序列平稳化、模型估计、模型检验拟定ARIMA季节性模型。并使用2013年1月-2016年12月我国乙型肝炎发病数据来进行模型验证,再预测未来一年的乙型肝炎月发病数,可得知2009-2018年乙型肝炎的发病数据可以被ARIMA(3,1,2)(1,1,1)12模型很好地拟合。根据模型预测得到,2019年我国乙型肝炎的发病数为1224591例,总体呈上升趋势,在3、7、8月份逐月增加,随后又有所减少。     

厦门市滩涂养殖区变化趋势的预测

分别采用回归分析方法、灰色数列预测方法及时间序列预测中的差分自回归移动平均法（ARIMA）对厦门市滩涂养殖区面积的变化趋势进行模拟,结果表明：ARIMA（2,2,0）模型的拟合效果最好,三次多项式曲线模型和灰色GM（1,1）预测模型的拟合误差均较大．采用ARIMA（2,2,0）模型和三次多项式曲线模型分别对滩涂养殖区面积变化趋势进行短期预测和长期预测,预测结果表明滩涂养殖区的面积呈逐渐下降趋势．     

生产者价格指数预测模型构建

选取2009年1月至2015年12月我国生产者价格指数的指标值,建立自回归移动平均(ARIMA)模型,并通过白噪声检验和数据拟合得到生产者价格指数预测的最优模型.结果表明,ARIMA(7,1,2)模型为最优模型.利用该模型对我国2016年1月至6月的生产者价格指数进行预测,结果显示,未来半年内,我国生产者价格指数小幅回升,经济运行趋势向好.     

我国财政支出的时间序列分析

介绍求和自回归移动平均模型ARIMA（P,d,q）的建模方法及SAS实现。将ARIMA模型应用于我国财政支出的分析与预测,结果表明ARIMA是一种短期预测精度较高的预测模型。     

SPSS预测模型在商场中的应用

探讨了SPSS 12统计软件包中回归、指数平滑及ARIMA(自回归求和移动平均)等时间序列分析模块的建模及预测方法。根据金星商场1997年～2005年，1～12月的销售历史资料，建立对数模型、指数平滑模型和ARIMA乘积模型，并对三的预测结果进行比较分析，给出了平均相对误差。得出ARIMA乘积模型误差最小，它适于对有趋势性和周期性的观察数据进行预测。SPSS12统计软件包时间序列分析模块操作方便，在商场统计预测中有广阔的应用前景。     

ARIMA模型在批发和零售贸易餐饮业预测中的应用

运用时间序列分析方法之一的单整自回归移动平均模型（ARIMA）法，对全国批发和零售贸易餐饮业进行时间序列分析。分析显示，ARIMA（1，1，10）模型可以提供较准确的预测结果，可以为全国批发零售贸易和餐饮业预测提供一定的依据。     

面向在线讨论的时间序列建模实验

在线讨论中帖子的自动评价与监测是一个极具挑战的研究主题。文章从信息论的视角,提出了在线讨论中帖子的信息量计算方法,并采用自回归单整移动平均(Auto-Regressive Integrated Moving Average,ARIMA)模型,开展了面向在线讨论的时间序列建模实验,得到最优化的ARIMA(5, 2, 5)模型。实验结果表明,ARIMA(5, 2,5)模型能够正确描述在线讨论中帖子信息量的未来变化趋势并给出波动范围,且其预测的准确性优于基准模型。文章探索了面向在线讨论的时间序列建模方法,以期降低监控在线讨论质量的时间成本,并为研究在线讨论质量评价方法提供新的视角。     

人口趋势问题的ARIMA和ES方法的探究

本文主要针对广东省户籍人口的定量分析,所采用的模型是自回归移动平均模型(Autoregressive Integrated Moving Average Model,简记ARIMA)和指数平滑(Exponential Smoothing,简称ES)模型,它们是时间序列分析中常用的两类模型,在分析的过程中使用的是R统计软件[1-4],使用的主要的程序包括fpp、forecast、Rcpp,主要内容是把户籍人口的变动归结为迁移和自然变动两类因素,通过预测未来十年内的迁移率和自然增长率,对户籍人口在未来十年的发展趋势进行预测。