时间序列论文

《时间序列分析》课程论文基于ARMAX模型的财政收入与税收的时间序列分析与预测班级：13级应用统计学1班学号：131412820姓名：崔乐乐1基于ARMAX模型的财政收入与税收的时间序列分析与预测摘要财政收入，是指政府为履行其职能、实施公共政策和提供公共物品与服务需要而筹集的一切资金的总和，是衡量一国政府财力的重要指标。其中税收收入是国家财政收入的重要组成部分，一般占到财政收入的90％以上，是政府机器的经济基础。本文利用《应用时间序列分析》的知识通过sas统计软件对1978-2012年中国财政收入与税收数据进行分析，通过单位根检验，发现两者都是非平稳时间序列，并且存在协整关系，所以拟合了ARIMAX模型。由于残差序列非白噪声，所以对残差序列又进行了进一步的拟合，最后对模型进行预测，做出预测图。关键词:财政收入与税收ARIMAX模型预测一、引言财政与税收关系到国家发展、民生大计。财政收入与税收对社会资源配置、收入分配、国民经济发展、企业经济活动、居民切身利益及政府决策行为都有重大影响。近年来，随着我国经济的持续高速发展和国家财政与税收的大幅度增长，以及我国经济体制改革的不断深化和国家对经济发展宏观调控力度的不断加大，国家也适时出台了一系列有关财政与税收管理的新规定、新政策和新的监管制度。可以看出两者地位越来越重要，作用越来越明显。通过本文的分析，旨在找出两者的关系，为我国财政与税收做出合理的解释，为以后的收入做出合理的预测。2二、数据分析（一）、序列平稳性检验1、时序图：图1原数据时序图图1中，红色为y（财政收入）序列书序图；黑色为x（税收收入）序列时序图。从时序图中可以看出x序列、y序列均显著非平稳。并且两者都有明显的增加趋势。2、单位根检验：表1序列x的单位根检验TheARIMAProcedureAugmentedDickey-FullerUnitRootTestsTypeLagsRhoPrRhoTauPrTauFPrFZeroMean05.9920.999916.850.999915.75570.99995.060.9999SingMean05.89360.999913.280.9999138.280.00115.71040.99994.720.999912.460.001Trend05.24630.99996.880.999988.910.00115.27190.99993.760.999911.470.001y0100002000030000400005000060000700008000090000100000110000120000t1970198019902000201020201978-2012年中国财政收入与税收数据3表2序列y的单位根检验AugmentedDickey-FullerUnitRootTestsTypeLagsRhoPrRhoTauPrTauFPrFZeroMean06.28020.999917.990.999916.01590.99995.020.9999SingMean06.22760.999914.350.9999157.070.00116.01740.99994.690.999912.190.001Trend05.55330.99997.70.9999104.870.00115.56610.99993.870.999911.550.001单位根检验的原假设H0：序列为非平稳序列，如果P0.05，则接受原假设，认为序列非平稳，否者序列为平稳序列。上面的X、Y序列单位根检验过后，P值均大于0.05，所以认为俩序列均为非平稳序列。时序图显示两个序列具有某种同变关系，所以考虑建立ARIMAX模型。二、协整检验多元非平稳序列之间能否建立回归模型，关键在于他们之间是否具有协整关系。所以建模前必须进行协整检验（EG检验）。假设条件：假设条件：{H0：多元非平稳序列之间不存在协整关系H1：多元非平稳序列之间存在协整关系上述假设条件等价于假设条件：{H0：回归残差序列{𝜀𝑡}非平稳H1：回归残差序列{𝜀𝑡}平稳对回归残差序列{εt}进行平稳性检验：图2残差的自相关图4图3残差的偏相关图表3残差序列单位根检验TypeLagsRhoPrRhoTauPrTauFPrFZeroMean0-10.83160.0168-2.210.02811-3.90140.1668-1.360.15712-5.2240.1072-1.470.1288SingleMean0-10.79980.084-2.160.22422.360.48441-3.94890.5222-1.350.59530.910.83892-5.34540.3736-1.460.53911.070.8002Trend0-11.18480.2932-1.550.78952.260.732211.30710.99870.330.9982.290.726422.54490.99970.570.99912.40.7064由自相关图与偏相关图可以看出回归残差序列{εt}为平稳序列。另一方面，单位根检验的原假设H0：回归残差序列{εt}为非平稳序列，如果P0.05，则接受原假设，认为序列非平稳，否者序列为平稳序列。残差序列单位根检验图显示在第一种类型（常数均值、无趋势项）的情况下，有97.19%（即（1-0.0281）*100%）的把握断定残差序列平稳且不具有自相关性。也就是说，可以以97.19%的把握认为1978-2012年中国财政收入序列y和税收收入序列x之间存在协整关系。因此可以对两者进行建模。（三）、ARIMAX模型建模1、建立响应序列与输入序列之间的回归模型：5图4序列y与序列x之间的相关图图中第一列为因变量序列的延迟阶数，第二列为延迟序列与输入序列之间的协方差，第三列为相关系数，后面为相关图。相关图显示序列y在延迟阶数为零时与序列x相关关系最强。因此可以将序列y与序列x同期建模。tXˆY1t（1）2、模型的参数估计：表4极大似然估计的模型的参数估计MaximumLikelihoodEstimationParameterEstimateStandardErrorTvalueApproxpr|t|LagvariableshiftMU-320.076142.901-2.240.02510Y0NUM11.1430.005221.81.00010x0参数估计是对模型中位置参数的值的估计，以确定模型的口径，并对模型进行显著性检验。的本题采用极大似然方法进行估计。参数估计表从左到右分别为参数名称（MU为常数项，NUM1为θ1）、参数估计值、估计值标准差、t检验值、t统计量p值、延迟阶数。参数估计结果显示，两个参数均显著（p值小于0.05）。所以建立ARIMAX模型如下：ttXY143.1（2）63、回归残差序列{εt}白噪声检验：表5残差序列白噪声检验ToLagChi-SquareDFPrChiSq-------Autocorrelation-------637.386.00010.550.610.410.290.1850.071239.03120.0001-0.03-0.04-0.09-0.10-0.11-0.041845.61180.00030.01-0.12-0.003-0.15-0.16-0.182497.9824.0001-0.25-0.28-0.31-0.33-0.32-0.28上表结果显示，延迟各阶的LB统计量的P值都小于0.05，可以认为残差序列为非白噪声序列。说明残差序列中还有未提取到的因素，所以考虑对残差序列进行拟合。4、回归残差序列{εt}的模型拟合：表6残差序列参数估计ConditionalLeastSquaresEstimationParameterEstimateStandardErrortValueApproxPr|t|LagMA1,11.0940.3603.030.0051MA1,2-0.1870.368-0.510.6152AR1,11.3590.3783.600.0011AR1,20.1510.6590.230.8202AR1,3-0.5830.306-1.900.0673由于残差序列为平稳序列，所以考虑通过ARMA模型对其进行的拟合。除去常数项，参数估计结果如下，在最小二乘估计下，AR1,1、MA1,1显著（t统计量的p值小于0.05）。5、残差序列模型的显著性检验：表7残差自相关检验AutocorrelationCheckofResidualsToLagChi-DFPrChiSq------Autocorrelation-----Square60.8210.3655-0.002-0.0010.030.090.07-0.07126.9870.4312-0.16-0.02-0.004-0.13-0.210.131815.68130.26710.22-0.190.09-0.020.140.072417.65190.5461-0.05-0.04-0.02-0.03-0.1-0.11由上表结果显示，延迟各阶的LB统计量的p值均显著大于α（α=0.05），所以认为该拟合模型显著成立。76、残差序列模型的拟合：表8残差序列模型拟合AutoregressiveFactorsFactor1:1-1.35904B**(1)-0.15117B**(2)+0.58262B**(3)MovingAutoregressiveFactorsFactor1:1-1.093555B**(1)+0.18742B**(2)输出形式等价于132)58262.015117.035904.11(ttBBB（3）或记为432158262.015117.035904.1ttttt（4）7、模型的最终形式：432158262.015117.035904.1143.1tttttttXY（5）三、模型预测图5模型预测图Forecastfory-100000100002000030000400005000060000700008000090000100000110000120000t1970198019902000201020201978-2012年中国财政收入与税收数据8四、结论（一）、时间序列分析中，尽管两组数据都是非平稳数据，但是只要他们之间存在协整关系，就可以拟合两者的关系ARIMAX模型，通过模型可以直接看出两者的函数关系。（二）、经过上述分析，最后得到ARIMAX模型如下：432158262.015117.035904.1143.1tttttttXY根据模型，可以直观的看出财政收入与税收收入两者为正相关关系，中国财政收入呈现出快速递增趋势。εt表示序列的残差项。单位根检验显示，残差序列为平稳非白噪声序列，因此通过ARMA模型对残差序列又重新进行了拟合。第二个函数就是拟合出的残差函数。（三）、通过本文的分析，找到了中国财政收入与税收收入的确切关系，由预测图可以观察到中国财政收入呈显著上升趋势。通过时间序列模型，预测出了近几年国家的财政收入情况。本次分析可以为政府提供出具政策的依据。9附录一1978-2012年中国财政收入与税收数据21单位：亿元年份财政收入y税收收入x19781132.26519.2819791146.38537.8219801159.93571.719811175.79629.8919821212.33700.0219831366.95775.5919841642.86947.3519852004.822040.7919862122.012090.7319872199.352140.3619882357.242390.4719892664.92727.419902937.12821.8619913149.482990.1719923483.373296.9119934