我国城镇失业人口数的时间序列分析.docx

摘要：本文根据1985年到2012年我国失业人口数据，采用ARIMA模型来拟合该时间序列数据。由于影响失业的因素较多，并且这些因素之间一般存在多重共线性，所以用影响失业的因素进行建模比较困难，失业人口数据常常是非平稳且自相关的，因而采用ARIMA模型进行预测比较合理而且精度较高。结果表明ARIMA（0,1,2）能比较好地拟合失业人口数据。
关键词：失业人口数；ARIMA模型；短期预测
一、背景
十六大报告提出将促进经济增长、增加就业、稳定物价和保持国际收支平衡作为宏观调控的主要目标，而现在阶段政府需要调控的就业目标由两个方面组成，它们是每年新增城镇就业数和城镇登记失业数。由于大学生、农民工等失业不包含在城镇登记失业人口数字中，以及大量失业人员未参加失业登记，导致登记人口失业数比实际人口失业率数。这成为城镇登记失业率饱受诟病的原因。
就业率和物价在衡量经济好坏的四个指标中比GDP更敏感。失业率在经济生活中的作用越来越重要。本文通过对以往数据的收集和整理，通过时间序列的处理方法，对我国未来几年的城镇登记失业人口数作一个科学的统计预测。

二、ARIMA模型介绍
1.关于ARIMA模型
ARIMA模型是由博克思和詹金斯在70年代初提出的一个著名的时间序列预测方法，又称博克思-詹金斯法。在ARIMA（p,d,q）模型中,AR是自回归，P为自回归项，MA为移动平均，q为移动平均项数，d为时间序列成平稳是所做的差分次数。
ARIMA模型的思想是：将预测对象随时间推移而观测到的数据序列看着一个随机序列。用数学模型来近似描述该序列。如果这个数学模型与这个序列的实际情况结合的比较好，那么我们就可以用这个数学模型来预测该实际序列。
2.建模步骤
1）识别数据平稳性。根据该时间序列的散点图、自相关函数图、篇自相关函数图等等来识别该序列的平稳性。
2）对序列平稳化处理。如果序列为非平稳且存在一定的单调趋势，则对该序列数据进行差分处理；如果该序列数据存在异方差性，则对数据开方或者对数转换处理。当处理后的数据自相关函数值和偏自相关函数值无显著异于零的时候停止。
3）模型识别。若平稳时间序列的偏相关函数是截尾的,而自相关函数是拖尾的,则可断定此序列适合AR模型;若平稳时间序列的偏相关函数是拖尾的,而自相关函数是截尾的,则可断定此序列适合MA模型;若平稳时间序列的偏相关函数和自相关函数均是拖尾的,则此序列适合ARMA模型。
4）模型定阶，参数估计。
5）模型检验。残差为应为白噪声序列且残差均值应理想化为0。
6）模型评价。
三、我国失业人口数拟合模型的构建
1.数据的选取及变量的选择，本文采用的数据来源于中国统计年鉴。被解释变量为S(我国失业人口数)、解释变量为t（时间）。
2.数据的处理。首先利用Eviews软件绘制年份与失业人口数时序图。由该时序图可初步确定该序列有一定的上升趋势且无周期性。对失业人口数进行ADF检验，其检验结果表明，该序列为非平稳序列。对其1阶差分后观察其自相关系数图，得该序列为2阶偏自相关截尾，选择ARIMA（p,d,q）模型进行拟合，其中p=0，d=1,q=2。得拟合结果为：
得拟合模型为：
（{}序列为残差序列）
（51.025）（0.111）（0.094）
（12.502）（15.872）（8.293）
=0.903=0.896F=116.940D-W=0.732
3.模型的检验
由F检验的P值为0.000，可认为在95%置信水平下，方程通过显著性检验。残差的检验主要包括自相关检验和异方差检验。查表得，。DW值小于，该模型存在正自相关。
4.模型的修正
对残差进行自回归模型拟合得拟合结果为：
({}序列为残差序列）
对{}序列进行纯随机检验，观测{}序列自相关系数,可知在95%显著水平下，认为残差序列为白噪声序列，模型信息提取比较充分。对残差进行异方差检验，得检验结果为：
接受原假设，认为残差不存在异方差。故最终模型为：
四、模型评价
时间序列分析方法是一种很好的预测时间序列走势的方法。通过以上研究表明ARIMA（0,1,2）模型可以对我国失业人口数进行预测，预测效果较好。但是该模型有一个缺陷，就是随着预测时间的延长，预测误差会越来越大。但总体来说，与其他方法相比，其预测的准确性还是比较高的，尤其是短期预测。
参考文献
1、王燕.应用时间序列（第三版）[M].北京：中国人民大学出版社，2012.
2、庞皓.计量经济学（第二版）[M].北京：科学出版社，2010.
3、刘圆圆.时间序列分析及应用[J].科技创新导报，2011
本文来自：ytwz203.cn/3yylc/ytwz203.cn/8hylc/ytwz203.cn/ambcdq/ytwz203.c