时间序列模型在我国互联网普及率分析中的应用

发布时间：2017-08-22 00:35

  本文关键词：时间序列模型在我国互联网普及率分析中的应用

  更多相关文章： 时间序列 互联网普及率 R软件 Holt-Winters滤波模型 ARIMA模型

【摘要】：随着科学技术的快速发展,互联网也得到了前所未有的发展,互联网的发展对我们生活方式的改变起了很大的推动作用。互联网极大地促进了网络购物的发展,网络购物的发展也刺激了消费,对经济的增长起了很大的促进作用,互联网成为了经济增长的新动能。同时互联网的发展也促进了创新,在稳增长、调结构、促就业中也起了不可替代的作用。我国目前的互联网普及率将近过半,但是未来几年的互联网普及率到底能达到多少,还是一个未知数。因此,对未来的互联网普及率进行预测有很重要的意义。时间序列模型是我们处理时间序列数据最常用的模型。时间序列模型包括两大类,有基于平稳时间序列建立的模型,也有基于非平稳时间序列建立的模型。虽然我们在实践中见到最多的是非平稳时间序列,但是平稳时间序列模型是非平稳时间序列模型的基础。基于随机分析的非平稳时间序列建模就是在平稳时间序列模型的基础上发展起来的。在非平稳时间序列的建模中,ARIMA模型和Holt-Winters滤波模型是分别基于随机分析和确定性分析而产生的模型。ARIMA模型主要针对随机性比较强的序列建模;Holt-Winters滤波模型主要针对随机性比较弱的序列建模。由于在建模之前对序列的不了解,我们通常同时用两种模型去拟合非平稳时间序列,然后进行比较,选择合适的模型。本文首先对时间序列的主要特征和时间序列的分析步骤进行了介绍,然后详细介绍了平稳时间序列的建模,接着在平稳时间序列建模的基础上对非平稳时间序列的建模进行了分析。在分析的过程中将非平稳时间序列的建模分为基于确定性分析的建模和基于随机分析的建模两种,并对这两种进行了比较。最后本文运用2000年12月至2015年6月我国的互联网普及率数据,基于R软件来进行分析,通过ARIMA模型和Holt-Winters滤波模型分别对我国的互联网普及率数据进行拟合。最后经过模型比较选择了Holt-Winters滤波模型,并运用Holt-Winters滤波模型预测了我国未来5年的互联网普及率。分析表明,到2020年6月年我国的互联网普及率将达到59.4%,增长不是很快,因此本文提出了相关的政策建议来提升互联网普及率的增长。
【关键词】：时间序列 互联网普及率 R软件 Holt-Winters滤波模型 ARIMA模型
【学位授予单位】：云南财经大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：F224;F49
【目录】：

• 摘要3-5
• Abstract5-10
• 第一章 绪论10-14
• 第一节 研究背景10-11
• 第二节 研究目的11
• 第三节 时间序列分析的产生和发展11-13
• 一、时间序列分析的产生11-12
• 二、时间序列分析的发展12-13
• 第四节 论文结构13-14
• 第二章 时间序列分析的简介14-20
• 第一节 时间序列的主要特征14-16
• 一、时间序列的相关性14-15
• 二、时间序列的平稳性15-16
• 三、时间序列的波动聚集性16
• 第二节 时间序列分析的步骤16-20
• 一、模型识别17
• 二、模型估计17-18
• 三、模型检验18
• 四、模型应用18-20
• 第三章 平稳时间序列的建模分析20-32
• 第一节 时间序列的检验20-22
• 一、时间序列平稳性检验20
• 二、时间序列纯随机性检验20-22
• 第二节ARMA模型介绍22-26
• 一、AR模型22-23
• 二、MA模型23-24
• 三、ARMA模型24-26
• 第三节 模型的识别26-27
• 一、自相关系数与偏自相关系数26
• 二、模型定阶26-27
• 第四节 模型参数估计27-29
• 一、矩估计27-28
• 二、极大似然估计28-29
• 三、最小二乘估计29
• 第五节 模型检验29-31
• 一、模型的显著性检验30
• 二、模型参数的显著性检验30-31
• 第六节 模型预测31-32
• 第四章 非平稳时间序列的建模分析32-43
• 第一节 时间序列的确定性和随机性分解32-34
• 一、Wold分解定理32-33
• 二、Gramer分解定理33-34
• 第二节 基于确定性分析的建模方法34-37
• 一、移动平均法34-35
• 二、指数平滑法35-36
• 三、Holt-Winters滤波模型36-37
• 第三节 基于随机分析的建模方法37-40
• 一、差分运算37-38
• 二、PP检验和KPSS检验38-40
• 第四节ARIMA模型40-41
• 第五节 对模型拟合效果的判断41-43
• 一、Holt-Winters滤波模型和ARIMA模型的比较41-42
• 二、对模型拟合残差的检验42-43
• 第五章 基于时间序列模型的我国互联网普及率分析43-53
• 第一节 互联网普及率数据43
• 第二节 从实证分析中选择模型43-49
• 一、ARIMA模型对序列的拟合43-46
• 二、Holt-Winters滤波模型对序列的拟合46-49
• 第三节 模型的比较49-51
• 第四节 对互联网普及率的预测51-53
• 第六章 结论与政策建议53-55
• 第一节 结论53
• 第二节 政策建议53-55
• 参考文献55-59
• 致谢59-60
• 本人在读期间完成的研究成果60

【相似文献】

中国期刊全文数据库 前10条

1 杨贵军;;时间序列模型描述个体经济发展趋势的局限性及改进方法[J];现代财经(天津财经大学学报);2006年07期

2 郭顺生;王磊;黄琨;;基于时间序列模型预测汽车销量研究[J];机械工程师;2013年05期

3 李宝慧;用时间序列模型对社会消费品指数的规律进行研究和预测[J];统计研究;2000年01期

4 吴令云,赵远东;用时间序列模型分析突发事件对经济的影响[J];统计与决策;2004年04期

5 陈飞,高铁梅;结构时间序列模型在经济预测方面的应用研究[J];数量经济技术经济研究;2005年02期

6 霍振宏;;基于时间序列模型下国民经济发展趋势实证分析[J];中原工学院学报;2007年04期

7 郑煜;孟军;;时间序列模型对黑龙江省水稻比较优势的预测[J];东北林业大学学报;2008年10期

8 张新波;;时间序列模型在税收预测中的应用[J];湖南税务高等专科学校学报;2010年04期

9 刘领坡;;我国社会消费品零售总额时间序列模型及预测[J];经济论坛;2011年06期

10 范菲菲;;河南省经济增长的时间序列模型分析[J];河南农业;2012年22期

中国重要会议论文全文数据库 前4条

1 汪宏晶;林曦晨;汤洪秀;尹平;;多元时间序列模型及其应用[A];2011年中国卫生统计学年会会议论文集[C];2011年

2 史青;练晓华;;时间序列模型在地铁结构变形预测中的应用[A];第十五届华东六省一市测绘学会学术交流会论文集（江苏上海论文分册）[C];2012年

3 黄荣坦;;厦门港集装箱吞吐量的时间序列模型[A];2002年中国管理科学学术会议论文集[C];2002年

4 赵庆江;迟凯;付芳萍;李潮潮;车文刚;;基于FCM的模糊时间序列模型及人民币汇率预测[A];第二十九届中国控制会议论文集[C];2010年

中国重要报纸全文数据库 前2条

1 国海证券研究所;时间序列模型预测3月CPI为—1.26%[N];上海证券报;2009年

2 罗佐县;勘探投资须研究规律提高效率[N];中国石化报;2008年

中国博士学位论文全文数据库 前3条

1 赵彪;两类时间序列模型的统计推断[D];中国科学技术大学;2015年

2 尚华;两类时间序列模型的异常值检测研究[D];首都经济贸易大学;2016年

3 邱望仁;模糊时间序列模型及其在股指趋势分析中的应用研究[D];大连理工大学;2012年

中国硕士学位论文全文数据库 前10条

1 段炼;基于时间序列模型的日内交易策略在A股市场上的应用[D];复旦大学;2014年

2 马云飞;多因素模糊时间序列预测模型的研究[D];大连海事大学;2016年

3 刘丑娟;基于变参数粒子群的模糊时间序列模型的研究[D];大连海事大学;2016年

4 刘雅宁;基于小波分析和优化理论的时间序列预测研究[D];燕山大学;2015年

5 陈海燕;模糊时间序列模型在论域上的研究与应用[D];武汉邮电科学研究院;2016年

6 高山;小波分析和组合模型在沉降预计中的应用研究[D];安徽理工大学;2016年

7 易燕飞;基于时间序列模型的传染病流行趋势及预测研究[D];长春工业大学;2016年

8 李苍祺;时间序列模型在我国互联网普及率分析中的应用[D];云南财经大学;2016年

9 涂晔;时间序列模型的误差分析与研究[D];昆明理工大学;2009年

10 李金玲;基于特征展开法的模糊时间序列模型的约减算法[D];大连海事大学;2015年

，

本文编号：716089