贵州CPI运行状态分析研究
发布时间：2021-04-20 02:57
居民消费价格指数（CPI）是反映居民家庭购买商品价格水平以及服务价格水平的统计指标,对衡量通货膨胀或紧缩具有重要参考价值,它不仅关系到宏观经济政策的制定,也关系到居民的吃穿住行。贵州属于西部开发地区,经济文化水平相对落后,它的居民消费价格水平有着异于全国的地域性特殊波动特征。因此研究贵州CPI的运行状况具有十分重要的意义。本文首先根据相关经济学理论和前人对CPI影响因素的研究成果,采用定性理论选取了N个（实验中选18个）宏观经济指标作为影响贵州CPI波动的候选指标。通过建立CPI的影响因素选取模型,得出影响贵州CPI波动的主要因素为:工业生产者购进格指数、商品零售价格指数、农业生产资料价格指数、社会消费品零售总额、固定资产投资和外汇储备,并将这些影响因素与CPI建立VAR动态关系模型。通过实证研究得出商品零售价格指数对CPI的影响最大,且与CPI具有长期相同变化趋势的结论。其次,对贵州CPI未来走势进行预测分析。通过查阅相关文献,我们了解到经典时间序列分析方法通常要求其分析的数据具有平稳性或正态性等特征,例如ARMA模型要求数据具有平稳性、白噪声具有正态性,时间序列回归分析方法要求数据...
【文章来源】：贵州民族大学贵州省
【文章页数】：66 页
【学位级别】：硕士
【文章目录】：
摘要
Abstract
1 绪论
1.1 研究背景及意义
1.1.1 研究背景
1.1.2 研究意义
1.2 国内外研究现状
1.2.1 国内外对CPI的研究现状
1.2.2 基于神经网络在时间序列预测方法的研究现状
1.2.3 目前主要存在的问题及研究热点
1.3 主要研究内容及框架
1.3.1 主要研究内容
1.3.2 论文结构
1.4 小结
2 相关理论准备
2.1 CPI的定义及意义
2.2 时间序列分析模型
2.2.1 求和自回归移动平均模型简介
2.2.2 向量自回归模型简介
2.3 神经网络模型
2.3.1 BP神经网络简介
2.3.2 模糊神经网络
2.4 小结
3 CPI影响因素动态关系研究
3.1 候选指标的选取
3.2 数据来源及处理
3.3 CPI的影响因素选取方法
3.3.1 最大信息系数
3.3.2 逐步回归分析
3.4 影响因素动态关系研究
3.4.1 影响因素的特征及波动趋势
3.4.2 各因素序列的单位根检验
3.4.3 VAR模型的建立
3.4.4 Granger因果检验
3.4.5 脉冲响应分析
3.4.6 方差分解分析
3.5 小结
4 基于改进深度置信网络的CPI预测模型
4.1 深度置信网络模型
4.1.1 受限波尔兹曼机简介
4.1.2 回声状态网络简介
4.2 改进的深度置信网络模型
4.2.1 改进的深度置信网络结构
伯努利受限波尔兹曼机"> 4.2.2 高斯伯努利受限波尔兹曼机
4.2.3 梯度修正方法
4.2.4 回归层权值调整策略
ESN模型的实现过程"> 4.2.5 GBDBNESN模型的实现过程
4.3 实证分析
4.3.1 数据预处理
4.3.2 实验结果分析
4.4 模型比较分析
4.4.1 单变量CPI预测结果对比分析
4.4.2 多变量CPI预测结果对比分析
4.5 小结
5 结论、政策建议与展望
5.1 主要结论
5.2 政策建议
5.3 展望
参考文献
致谢
在校期间科研成果
【参考文献】：
期刊论文
[1]基于ARIMA模型的居民消费价格指数走势实证分析与预测——以重庆市为例[J]. 倪颖,年靖宇. 贵州商学院学报. 2018(02)
[2]一种改进的深度置信网络在交通流预测中的应用[J]. 赵庶旭,崔方. 计算机应用研究. 2019(03)
[3]深度置信网络模型及应用研究综述[J]. 刘方园,王水花,张煜东. 计算机工程与应用. 2018(01)
[4]基于ARIMA模型与GM（1,1）模型的居民消费价格指数预测对比分析[J]. 潘静,张颖,刘璐. 统计与决策. 2017(20)
[5]泛函深度神经网络及其在金融时间序列预测中的应用[J]. 马超,侯天诚,徐瑾辉,张振华,蓝斌. 徐州工程学院学报(自然科学版). 2017(02)
[6]基于SARIMA模型的安徽省CPI预测[J]. 敖希琴,龚玉杰,汪金婷,郑阳. 蚌埠学院学报. 2017(03)
[7]基于改进并行回火算法的RBM网络训练研究[J]. 李飞,高晓光,万开方. 自动化学报. 2017(05)
[8]基于主成分分析的PSO-BP算法在GDP和CPI预测中的应用[J]. 王永杰,白艳萍. 重庆理工大学学报(自然科学). 2017(04)
[9]我国通货膨胀影响因素的实证分析[J]. 邓留保,尤志强. 安阳工学院学报. 2017(02)
[10]基于DBN的金融时序数据建模与决策[J]. 曾志平,萧海东,张新鹏. 计算机技术与发展. 2017(04)
博士论文
[1]我国CPI预测数量研究[D]. 陈玉海.中南大学 2009
硕士论文
[1]我国CPI波动及外部影响因素研究[D]. 孟婷婷.首都经济贸易大学 2017
[2]我国CPI波动规律及影响因素研究[D]. 丁雪.天津工业大学 2016
[3]时间序列分析在CPI中的应用研究[D]. 孔威.延边大学 2014
[4]基于函数型数据分析的CPI影响因素分析[D]. 谭智慧.天津大学 2012
[5]基于DBN的汇率预测研究[D]. 晁静.南京大学 2012
[6]CPI指数序列的分析及预测[D]. 荣文静.成都理工大学 2011
[7]基于支持向量机的CPI走势与影响因素分析[D]. 黄一民.浙江工商大学 2008
本文编号：3148841
【文章来源】：贵州民族大学贵州省
【文章页数】：66 页
【学位级别】：硕士
【文章目录】：
摘要
Abstract
1 绪论
1.1 研究背景及意义
1.1.1 研究背景
1.1.2 研究意义
1.2 国内外研究现状
1.2.1 国内外对CPI的研究现状
1.2.2 基于神经网络在时间序列预测方法的研究现状
1.2.3 目前主要存在的问题及研究热点
1.3 主要研究内容及框架
1.3.1 主要研究内容
1.3.2 论文结构
1.4 小结
2 相关理论准备
2.1 CPI的定义及意义
2.2 时间序列分析模型
2.2.1 求和自回归移动平均模型简介
2.2.2 向量自回归模型简介
2.3 神经网络模型
2.3.1 BP神经网络简介
2.3.2 模糊神经网络
2.4 小结
3 CPI影响因素动态关系研究
3.1 候选指标的选取
3.2 数据来源及处理
3.3 CPI的影响因素选取方法
3.3.1 最大信息系数
3.3.2 逐步回归分析
3.4 影响因素动态关系研究
3.4.1 影响因素的特征及波动趋势
3.4.2 各因素序列的单位根检验
3.4.3 VAR模型的建立
3.4.4 Granger因果检验
3.4.5 脉冲响应分析
3.4.6 方差分解分析
3.5 小结
4 基于改进深度置信网络的CPI预测模型
4.1 深度置信网络模型
4.1.1 受限波尔兹曼机简介
4.1.2 回声状态网络简介
4.2 改进的深度置信网络模型
4.2.1 改进的深度置信网络结构
伯努利受限波尔兹曼机"> 4.2.2 高斯伯努利受限波尔兹曼机
4.2.3 梯度修正方法
4.2.4 回归层权值调整策略
ESN模型的实现过程"> 4.2.5 GBDBNESN模型的实现过程
4.3 实证分析
4.3.1 数据预处理
4.3.2 实验结果分析
4.4 模型比较分析
4.4.1 单变量CPI预测结果对比分析
4.4.2 多变量CPI预测结果对比分析
4.5 小结
5 结论、政策建议与展望
5.1 主要结论
5.2 政策建议
5.3 展望
参考文献
致谢
在校期间科研成果
【参考文献】：
期刊论文
[1]基于ARIMA模型的居民消费价格指数走势实证分析与预测——以重庆市为例[J]. 倪颖,年靖宇. 贵州商学院学报. 2018(02)
[2]一种改进的深度置信网络在交通流预测中的应用[J]. 赵庶旭,崔方. 计算机应用研究. 2019(03)
[3]深度置信网络模型及应用研究综述[J]. 刘方园,王水花,张煜东. 计算机工程与应用. 2018(01)
[4]基于ARIMA模型与GM（1,1）模型的居民消费价格指数预测对比分析[J]. 潘静,张颖,刘璐. 统计与决策. 2017(20)
[5]泛函深度神经网络及其在金融时间序列预测中的应用[J]. 马超,侯天诚,徐瑾辉,张振华,蓝斌. 徐州工程学院学报(自然科学版). 2017(02)
[6]基于SARIMA模型的安徽省CPI预测[J]. 敖希琴,龚玉杰,汪金婷,郑阳. 蚌埠学院学报. 2017(03)
[7]基于改进并行回火算法的RBM网络训练研究[J]. 李飞,高晓光,万开方. 自动化学报. 2017(05)
[8]基于主成分分析的PSO-BP算法在GDP和CPI预测中的应用[J]. 王永杰,白艳萍. 重庆理工大学学报(自然科学). 2017(04)
[9]我国通货膨胀影响因素的实证分析[J]. 邓留保,尤志强. 安阳工学院学报. 2017(02)
[10]基于DBN的金融时序数据建模与决策[J]. 曾志平,萧海东,张新鹏. 计算机技术与发展. 2017(04)
博士论文
[1]我国CPI预测数量研究[D]. 陈玉海.中南大学 2009
硕士论文
[1]我国CPI波动及外部影响因素研究[D]. 孟婷婷.首都经济贸易大学 2017
[2]我国CPI波动规律及影响因素研究[D]. 丁雪.天津工业大学 2016
[3]时间序列分析在CPI中的应用研究[D]. 孔威.延边大学 2014
[4]基于函数型数据分析的CPI影响因素分析[D]. 谭智慧.天津大学 2012
[5]基于DBN的汇率预测研究[D]. 晁静.南京大学 2012
[6]CPI指数序列的分析及预测[D]. 荣文静.成都理工大学 2011
[7]基于支持向量机的CPI走势与影响因素分析[D]. 黄一民.浙江工商大学 2008
本文编号：3148841
本文链接：https://www.wllwen.com/jingjilunwen/guojimaoyilunwen/3148841.html
