|
|
基于ARIMA模型的江苏省GDP预测分析
|
Abstract:
本文基于1975~2020年江苏省GDP数据，运用R软件对1975~2015年的时间序列数据建立模型，再通过比较AIC信息准则值以及观察自相关以及偏自相关图像，确定最优模型：疏系数模型。之后运用对比得到的最优模型对于江苏省2016~2020年的GDP数值进行预测分析，并将预测值与真实值进行对比，结果显示利用该模型进行预测的误差较小，模型精度较高的结论。进而说明疏系数模型对于江苏省GDP预测工作的准确性。
Based on the GDP data of Jiangsu Province from 1975 to 2020, R software was used to build a model for the time series data from 1975 to 2015, and then the optimal model was determined by comparing AIC information criterion values and observing autocorrelation and partial autocorrelation images: sparse coefficient model. After that, the optimal model obtained by comparison is used to forecast and analyze the GDP value of Jiangsu Province from 2016 to 2020, and the predicted value is compared with the real value. The results show that the prediction error of using this model is small, and the model has high accuracy. Then it shows the accuracy of the thinning coefficient model for GDP forecasting in Jiangsu Province.
| [1] | 瞿海情, 何先平. 基于时间序列分析的湖北省GDP预测模型研究[J]. 湖北经济学院学报(人文社会科学版), 2021, 18(9): 37-39. |
| [2] | 潘典雅. 基于ARIMA模型的吉林省GDP分析及预测[J]. 中国集体经济, 2021(27): 15-16. |
| [3] | 陈玉霞. 基于SARIMA模型的贵州省季度GDP预测[J]. 经营与管理, 2021(8): 170-175. |
| [4] | 刘浏. 基于线性回归的甘肃省“十三五”时期GDP预测[J]. 淮海工学院学报(人文社会科学版), 2017, 15(3): 90-92. |
| [5] | 魏乐航. 基于自回归时间序列的孝感市GDP分析与预测[J]. 住宅与房地产, 2020(27): 37-38. |
| [6] | 李永娣. 基于ARIMA、平减指数法和主成分回归模型的GDP总量及增速预测——以河南省为例[J]. 河南科技, 2021, 40(13): 149-155. |
| [7] | 石萍, 唐俊. 灰色GM(1,n)模型在经济预测中的应用——以包头市经济发展为例[J]. 内蒙古大学学报(自然科学版), 2015, 46(1): 43-47. |
| [8] | 王传会, 公维凤, 方志耕, 郭玉强. 灰色泛函预测GFAM(1,1)模型及其应用[J]. 系统工程, 2015, 33(7): 115-120. |
| [9] | 田梓辰, 刘淼. 基于改进灰色GM(1,1)模型的GDP预测实证[J]. 统计与决策, 2018, 34(11): 83-85. |
| [10] | 李南. 基于BP神经网络的江西省GDP预测[J]. 科技广场, 2017(10): 47-49. |
| [11] | 晏荣堂. 基于遗传算法优化的神经网络预测GDP [J]. 科技视界, 2018(16): 4-5+31. |
| [12] | 朱青, 周石鹏. 基于LSTM模型的国民经济GDP增长预测建模研究[J]. 经济研究导刊, 2021(19): 5-9+37. |
