2008年经济师考试(中级)经济基础全真试题

组合预测模型在全国能源消耗总量中的应用学院：统数班级：091数学0姓名：彭贺学号：2009720002摘要：能源影响着我国社会经济的稳定持续发展，对未来能源消耗的准确预测具有重要的意义。本文以我国1981-2011年的全国能源消耗总量数据为基础，建立了ARIMA预测模型、灰色预测模型、三次多项式预测模型和基于这三种模型的组合模型，并进行了精度比较，最后选择最优的组合预测模型对2012-2014年的全国能源消耗总量进行预测。关键词：ARIMA模型；灰色预测模型；三次多项式；组合模型；能源消耗1引言：能源是国民经济发展和人民生活水平提高的重要物质基础，能源短缺曾经长期制约我国经济的发展。近几年由于能源工业的发展，短缺局面虽然得到了缓解，但从长远来看能源供需形势仍然非常严峻，因此做好未来能源消费预测分析，为能源规划及政策的制定提供科学的依据，对于保持我国社会经济健康、持续、稳定发展具有重要的理论与现实意义。本文利用《中国统计年鉴》得到31期全国能源消耗总量y的时间序列如下表一所示：表一：全国能源消耗总量（单位：万吨标准煤）年份198119821983198419851986198719881989y571445858860275594476206766040709047668280850年份199019911992199319941995199619971998y86632929979693498703103783109170115993122737131176年份199920002001200220032004200520062007y138948137798132214133831138552.6143199.2151797.3174990.3203226.7年份2008200920102011y2246822462702655832850002预测方法介绍2.1ARIMA模型的基本原理ARIMA模型是Box和Jenkins1970年提出的以随机理论为基础的时间序列分析方法，又称为“Box-Jenkins模型”，这以模型在经济领域的预测分析中得到了广泛的应用。时间序列是依赖时间t的一组随机变量，构成该时序的单个序列值虽然具有不确定性，但对整个时间序列来说，它的变化却有一定的规律性，可以用相应的数学模型来近似描述。ARIMA模型有三种基本类型：自回归模型、移动平均模型、单整自回归移动平均模型。单整是指将一个时间序列有非平稳性变为平稳性所要经过的差分的次数，这是对非平稳时间序列进行时间序列分析的必经步骤。假设一个随机过程含有d个单位根，其经过d次差分之后可以变换为一个平稳的自回归移动平均过程。则该随机过程称为单整自回归移动平均模型。模型中AR称为自回归分量，P为自回归分量的阶数；MA为移动平均分量，q为移动平均分量的阶数；I为差分，d为使时间序列具有平稳性所需要的差分次数。p阶自回归过程AR(p)的一般表达式为：1122tttptptXXXX其中t白噪声过程。q阶的移动平均过程MA（q）可以表示为：1122ttttqtqX，t为白噪声过程。ARIMA(p,d,q)模型一般表达式为：011221122tttptptttqtqXXXX2.2灰色预测法灰色预测法是一种对含有不确定因素的系统进行预测的方法。一般是利用时间序列数据，通过建立GM（1,1）模型进行预测。灰色预测模型的预测步骤如下：（1）首先对原始时间序列数据(0)x，做一次累加生成，得到新的序列(1)x（2）利用一次累加生成序列拟合微分方程：(1)(1)dxaxdt，得到参数a和（3）解微分方程得到预测模型函数：'(1)(0)(1)[(1)]akXkXeaa（4）将得到的'(1)X序列进行一次累减得到预测序列'(0)X（5）利用历史数据对数据模型进行精度检验，若通不过检验，则利用残差对原模型进行修正。（6）通过预测方程进行预测。2.3组合预测模型不同的预测方法根据相同的信息，往往会提供不同的结果，如果简单的将误差较大的一些方法舍弃掉，将会丢弃一些有用的信息，使得模型的精度不高。组合预测法是指通过建立一个组合预测模型，把多种预测方法所得到的预测结果进行综合。由于组合模型能够较大限度地利用各种预测样本信息，所以它比单项预测模型考虑问题更系统、更全面，因而能够有效地减少单个预测模型受随机因素的影响，可以提高预测的精度和稳定性。3全国能源消耗总量的实证分析3.1建立ARIMA模型3.11平稳化处理用ARIMA模型拟合的时间序列必须是平稳的，如果序列不平稳，则要通过差分或序列变换等先将序列平稳化。绘制原始序列的时序图得到图形如图一所示：图一：y时序图由图可从直观上看出原始序列存在明显的长期递增趋势，原始序列不平稳。利用软件EViews，运用单位根检验方法对序列进行平稳性检验发现原始序列确定不平稳，因此本文先对该序列取对数，令log()yly，然后对yl进行差分，差分两次之后得到平稳的序列ylii。单位根检验结果如下表二所示：表二：单位根检验结果ADF值P值临界值a=1%临界值a=5%临界值a=10%原始序列y1.7585820.9995-3.68919-2.97185-2.62512取对数后yl0.6275170.988-3.68919-2.97185-2.62512一阶差分yli-2.958250.0529-3.72407-2.98623-2.6326二阶差分ylii-4.765430.0007-3.69987-2.97626-2.62742由表可知，取对数后再做两次一步差分之后的序列yliiADF检验的p值为0.0007，小于0.05，因此拒绝序列非平稳的原假设，可以接受序列为平稳的备择假设。在此可知ARIMA模型定阶为d=2。也可由图标直观说明序列的平稳性，作出ylii的时序图如图一所示：50,000100,000150,000200,000250,000300,0001983198819931998200320082013Y图二：ylii时序图时序图也显示ylii序列平稳，结果与单位根检验相符。3.12模型定阶模型定阶的方法有多中，本文选择基于自相关函数和偏自相关函数的定阶方法确定模型的阶数。首先，考察平稳序列ylii的自相关图和偏自相关的性质，为拟合模型定阶，自相关函数(ACF)和偏自相关函数（PACF）图形如图三所示;图三：由图形可知，对处理后的序列ylii可以选择建立ARIMA(1,2,1)、ARIMA(1,2,2)、ARMA(2,2,1)、ARIMA(2,2,2)4种模型。分别拟合这四种模型得到结果如表三所示：-.08-.06-.04-.02.00.02.04.06.08.101983198819931998200320082013YLII表三：4种模型拟合结果模型变量估计系数T统计量伴生概率P值调整2RAICSCARIMA(1,2,1)AR(1)-0.37510-1.228110.230400.17179-4.13804-4.04288MA(1)0.745243.238980.00330ARIMA(1.2,2)AR(1)0.326321.534930.137400.27357-4.23696-4.09422MA(1)-0.25253-1.742640.09370MA(2)-0.73255-5.340260.00000ARIMA(2,2,1)AR(1)-0.25552-0.952150.350500.18863-4.15745-4.01347AR(2)-0.23472-1.227330.23160MA(1)0.594242.305320.03010ARIMA(2,2,2)AR(1)-0.76684-5.246990.000000.28900-4.25798-4.06601AR(2)-0.59005-3.948570.00060MA(1)1.2465320.409940.00000MA(2)0.9265920.036340.00000其中只有ARIMA(2,2,2)模型的各系数通过了显著性检验，而且其模型的调整2R是四个模型中最大的，虽然它的AIC，SC的绝对值不是最小的，ARIMA(1,2,1)模型的AIC最小，ARIMA(2,2,1)的SC最小，但它们的系数都没有通过显著性检验，而且调整2R也较小，所以本文选择ARIMA(2,2,2)模型，模型表达式为：22(11.246530.92659)'(1)(1)log()10.766840.59005tBByliiBByBBe--=--=++3.13模型检验用ARIMA(2,2,2)模型做拟合得到残差序列te，对残差序列进行自相关和偏自相关分析，得到结果如图三所示：图三由图可知。残差序列P值几乎都是大于0.05的，说明残差序列近于白噪声，基本没有可提取的信息了，模型已经提取了有规律的信息，说明模型拟合效果较好。3.14模型预测利用1981-2011年的时间序列建立的ARMA(2,2,2)模型：22(11.246530.92659)'(1)(1)log()10.766840.59005tBByliiBByBB来预测2007-2014年的能源消耗总量，结果如表四所示：表四：2007-2014年全国能源消耗总量ARIMA(2,2,2)模型预测值年份2007.002008.002009.002010.002011.002012.002013.002014.00实际值203226.68224682.00246270.00265583.00285000.00预测值202971.88233243.50268974.47311049.59358189.95413129.35477104.00549931.36绝对相对误差百分比(%)0.133.819.2217.1225.683.2灰色模型预测根据历史数据序列(0)x，做一次累加得到生成序列(1)x，对于微分方程(1)(1)dxaxdt，构造数据矩阵B和数据向量Y，解该微分方程，得到YBA其中：(1)(1)(1)(1)(1)(1)(1)(2)12(2)(3)12(30)(31)12XXXXBXX(0)(0)(0)(2)(3)(31)XXYXaA进行矩阵运算得到发展灰数a=-0.055673，内生控制灰数=45508.908，得到预测模型为：(1)0.055673'(1)874576.3817432.3kXke。3.21残差检验将得到的序列(1)'X进行一次累减生成预测序列(0)'X，将预测值与真实值比较得到绝对误差序列te为：(0)={0、8516.84、7337.171、3478.379、2894.069、3479.306、4761.587、6752.808、6917.228、8466.436、10356.31、9561.971、6328.756、6120.155、5915.771、6827.269、7321.323、9152.556、9938.481、1402.44、11990.47、18629.48、22636.52、27218.27、28376.96、15499.22、1831.269、11756.32、21153.92、27578.59、33369.39}计算相对误差后发现其中有些较大，甚至大于10%，最后五项的平均相对误差为7.36319507%。残差检验没有通过，下面进行关联度检验。当=0.5时，关联度大于0.6时就可以通过关联度检验了。由残差的绝对序列可知(0)min()=0,(0)max()=33369.39。然后根据公式(0)(0)(0)(0)min{}max{}()(1,2,,0.5)max{}iiiiiki计算每个序列值的关联系数，再求