论文部分内容阅读
GDP是指一个国家或地区在内的全部常住单位在一段时间里生产的全部劳务价值和最终产品,它代表着一个国家或地区的经济状况。它与就业率、经济增长率、通货膨胀等都有很大的关联,GDP是狭隘的经济增长。所以掌握GDP的短期变化特点对GDP进行短期预测,这对我们进行宏观经济调控具有重要的作用。江苏省的GDP值近年来都略低于广东省位居全国第二。对作为GDP大省的江苏省而言,预测GDP的值显得尤为重要。本文主要选择1970年到2018年江苏省的GDP数据,其中训练模型使用的是1970年到2016年的数据,而测试模型使用的是余下的年份数据。江苏省的GDP数据,属于非平稳时间序列,具有线性和非线性的特征。本文基于这些数据建立四种模型,主要使用R和SAS两个软件,对江苏省GDP进行预测。最终对我们建立的模型的预测精度进行比较分析,以此找到最优模型。首先,建立ARIMA模型,本文建立的是ARIMA(0,2,2),此模型是关于江苏省GDP数据的线性模型,并预测出江苏省的GDP值;其次,建立非线性模型BP神经网络,选择合适的激活函数,训练好神经网络结构,挖掘出GDP数据的非线性特点。然后,GDP数据具有线性和非线性的特性,单一模型存在一定的缺陷,故决定建立组合模型即利用ARIMA模型预测GDP的线性部分,BP神经网络对模型的非线性残差进行预测,将两个模型的预测值相加得到模型的最终预测值。实证分析表明,组合模型的预测能力优于BP神经网络;最后,虽然组合模型在预测GDP时优于BP神经网络,但是也存在一定的缺陷,故需要进行一定的改进。从时序图可以看出江苏省GDP数据有一定的指数增长趋势,因此本文实现数据平稳化要经过对数化差分和二阶差分两种方法,然后建立ARIMA模型,再将得到的两个模型的预测值加权平均,这样就得到改进的组合模型的线性部分预测值,将两个模型的残差部分进行加权平均,用BP神经网络对非线性残差进行预测,将两部分的预测值相加,得到改进的组合模型的预测值。综上所述,本文为了预测出江苏省的GDP值,选用了以下四种模型:ARIMA模型、BP神经网络模型、组合模型和改进的组合模型,然后分析比较上述四种模型的预测相对误差,得出改进的组合模型的短期预测效果要优于其他三种模型,ARIMA模型在相对较长的时间里预测效果更好,预测精度更高。故本文对全部的GDP数据进行建模,用改进的组合模型预测2019年江苏省的GDP,用ARIMA模型预测2020年和2021年江苏省的GDP值。