灰色模型与时间序列分析在成品油价格中的应用对比
2015-09-10胡玥李梅周艳巍
考试周刊 2015年77期
胡玥 李梅 周艳巍
摘 要: 成品油在经济生活中的地位显而易见,然而其价格波动频繁。本文通过ARIMA模型和灰色模型,分别对中国成品油价格展开预测,并对两种方法进行分析,以便更好地预测未来成品油价格。
关键词: ARIMA模型 灰色模型 成品油价格预测
1.灰色模型
根据搜集到的成品油价格数据,得到原始数据:
表1 成品油2009-2013年各月份价格数据
2.时间序列分析
第一步:采集数据(数据如上表1,成品油2009-2013年各月份价格数据)
第二步:判断序列的平稳性
由生成数列的时序图,可知该序列有显著的趋势,显然是一个非平稳序列。
第三步:对原序列进行差分运算
原时序图呈现出近似线性的趋势,对序列进行一阶差分以消除趋势的影响,一阶差分后序列基本平稳。为进一步确定平稳性,做出差分后序列的自相关图后,序列有很强的短期相关性,因此初步认为一阶差分后序列平稳。
第四步:对平稳的一阶差分序列进行白噪声检验
在0.05的显著性检验水平下,延迟6阶的检验统计量的P值为0.0011,显著小于0.05,该差分序列不能视为白噪声序列,即差分后序列还蕴含相关信息可提取[2]。
第五步:对平稳非白噪声差分序列拟合模型
第六步:检验残差序列和预测
结果显示,各阶延迟下的统计量的P值都显著大于0.05,可以认为残差序列为白噪声序列,说明模型提取信息充分。预测的成品油价格与对应的95%的置信区间如表2所示。
表2 变量x的预测结果
3.模型比较
ARIMA模型能充分利用各项数据,探索出其中规律,且对数据动态性的把握较好,精度较高[3]。……
登录APP查看全文
