时间序列分析在我国居民消费价格指数中的应用研究

摘要

居民消费价格指数是世界各国普遍编制的一种指数，它可以用于分析市场价格的基本动态，是政府制定物价政策和工资政策的重要依据。为准确把握居民消费价格指数的变动趋势，本文利用时间序列分析方法对我国的居民消费价格指数数据进行建模预测。
　　时间序列分析是经济预测领域研究的重要工具之一，它描述历史数据随时间变化的规律，并用于预测经济数据。然而经济数据由于受到市场和国家政策等因素的影响，会常常表现出随机性，此时传统的线性时间序列分析就不能够很好地反映经济数据中存在的内在特征。近年来，非线性和非参数时间序列分析方法的出现恰恰弥补了这一缺点，因此被广泛地应用于经济领域，尤其是金融市场。关于非线性时间序列分析的详情可以参见文献Tong(1990)和Priestley(1988)，Tjostheim(1994)在非线性时间序列分析的最新发展上也给出了优秀的总结。
　　本文首先介绍了平稳时间序列和时间序列分析方法的概念、性质以及一些常用的时间序列模型。其次，介绍了线性自回归模型和非参数自回归模型的建模理论，包括建模前对数据的预处理、模型的识别、参数的估计以及模型的预测等。然后，对我国2004年-2009年的居民消费价格指数数据建立线性自回归模型和非参数自回归模型，并分别用线性最小二乘方法、正交序列方法和多项式样条方法进行了拟合和预测。最后，将模拟、预测得到的结果进行了比较，结果表明，非参数自回归模型优于线性自回归模型，能更好地反映我国居民消费价格指数的非线性特征。

目录

文摘

英文文摘

致谢

表格清单

插图清单

第一章 绪论

1.1 时间序列分析的发展概况

1.2 时间序列分析的应用领域和发展前景

1.3 本文研究的主要内容

第二章 时间序列分析的理论知识

2.1 时间序列分析的问题

2.2 时间序列的概念及性质

2.2.1 平稳和严平稳

2.2.2 平稳性的检验方法

2.3 线性时间序列模型

2.3.1 白噪声过程

2.3.2 AR模型

2.3.3 MA模型

2.3.4 ARMA模型

2.3.5 ARIMA模型

2.4 非线性时间序列模型

2.4.1 ARCH模型

2.4.2 TAR模型

2.4.3 NAR模型

第三章 时间序列分析在我国居民消费价格指数中的应用

3.1 AR(p)模型建立的理论知识

3.1.1 数据的平稳性检验与平稳化处理

3.1.2 AR(p)模型参数的估计

3.1.3 AR(p)模型阶数的确定

3.1.4 AR(p)模型的最佳预测方法

3.2 AR(p)模型在我国居民消费价格指数中的应用

3.2.1 样本数据的选择

3.2.2 数据的平稳性检验与平稳化处理

3.2.3 我国居民消费价格指数的AR(p)模型

3.3 NAR(p)模型建立的理论知识

3.3.1 数据的平稳性检验与平稳化处理

3.3.2 模型阶数p的确定

3.3.3 自回归函数m(·)的估计

3.3.4 非参数自回归模型的预测方法

3.4 我国居民消费价格指数的NAR预测模型

3.5 两种模型拟合和预测结果的比较

3.6 小结

第四章 总结及下一步工作

4.1 总结

4.2 下一步工作

参考文献

攻读硕士学位期间发表的论文