基于居民消费价格指数的实证分析
发布时间：2021-11-12 01:23
社会上所有产品和服务的最终价格都是通过居民消费价格[1]统计调查得出的。一方面,它与人民群众的生活密切相关;另一方面,它在国民经济价格体系中发挥着重要作用。它是进行经济分析和决策的重要指标,同时也是物价总水平和国民经济核算的重要基础。本文主要选取了反映物价水平变动情况的居民消费价格指数（Consumer Price Index）进行分析。第一部分主要是对居民消费价格指数时间序列进行预测,首先对1951-2012年的中国CPI数据分别运用最小二乘估计法和基于MCMC算法的贝叶斯参数估计法建立AR（2）模型后,再用所得的两种模型对2013-2015年的CPI时间序列进行预测,将基于贝叶斯参数估计的模型得到的预测结果与最小二乘估计的模型得到的预测结果进行对比。第二部分是运用2016年全国31个省份的居民消费价格指数数据进行因子分析,找出影响价格变动水平的主要因素。第三部分是对该数据进行SOM神经网络聚类分析,将31个省份按照某种相似的特征划分为一类。结论表明:（1）基于贝叶斯参数估计的模型的预测结果更为准确;（2）主要有4个影响消费物价波动水平的因素;（3）通过人工神经网络分析,可以看出31...
【文章来源】：南京师范大学江苏省 211工程院校
【文章页数】：47 页
【学位级别】：硕士
【部分图文】：
图２－１原始序列图??
第２章时间序列模型ＣＰＩ的预测０．０５，即拒绝原假设，因此所有的参数在５％的显著性水平下都具有实际的意义。??．残差的白噪声检验??残差序列进行随机性检验，根据建模要求，残差序列是白序列之间没有相关性，残差序列白噪声检验结果如下：??表２－６残差白噪声检验??Ｌａｇ?Ｘ－ｓｑｕａｒｅｄ?Ｄｆ?ｐ－ｖａｌｕｅ??６?５．３８８０?４?０．３５３４??１２?８．７４４２?１０?０．７２４６??１８?１１．３９７０?２６?０．８７６８??
图２－６?Ｄｏｏｄｌｅ?图??－
【参考文献】：
期刊论文
[1]基于SOM神经网络的高校图书馆个性化推荐服务系统构建[J]. 刘爱琴,李永清. 图书馆论坛. 2018(04)
[2]一种基于贝叶斯后验的异常值在线检测及置信度评估算法[J]. 孙栓柱,宋蓓,李春岩,王皓. 中国科学技术大学学报. 2017(08)
[3]基于ARIMA模型的上海居民消费价格指数分析及预测[J]. 宋颖超. 时代金融. 2017(15)
[4]基于SOM聚类的微博话题发现[J]. 宋莉娜,冯旭鹏,刘利军,黄青松. 计算机应用研究. 2018(03)
[5]中国物价变化的实证分析及走势预测[J]. 王志刚. 价格理论与实践. 2016(12)
[6]基于贝叶斯估计的路基沉降时间序列分析模型[J]. 王江荣,袁维红,赵睿,任泰明. 矿山测量. 2016(04)
[7]我国CPI与汽车行业关系的探讨[J]. 李冰. 统计与咨询. 2015(06)
[8]基于贝叶斯MCMC方法的我国人口死亡率预测[J]. 胡仕强. 保险研究. 2015(10)
[9]基于MCMC方法的公路客运量贝叶斯AR（p）分析[J]. 韩国华,魏其运. 山东交通科技. 2015(04)
[10]基于ARIMA模型的北京居民消费价格指数预测[J]. 杨颖梅. 统计与决策. 2015(04)
博士论文
[1]基于贝叶斯网络的突发事件应急决策信息分析方法研究[D]. 徐磊.哈尔滨工业大学 2013
[2]基于数据的间歇过程故障诊断及预测方法研究[D]. 王姝.东北大学 2010
[3]机器人嗅觉系统及相关传感器理论与实验研究[D]. 王昌龙.东南大学 2004
硕士论文
[1]我国基本养老保险基金投资组合策略研究[D]. 任丽苹.西北农林科技大学 2017
[2]基于贝叶斯理论的人均GDP时间序列预测研究[D]. 尹姗姗.广州大学 2016
[3]我国居民消费价格指数（CPI）影响因素的实证分析[D]. 魏静洁.云南大学 2016
[4]北京市CPI的分析与预测[D]. 陈婉莹.北京交通大学 2015
[5]基于数据驱动的钕铁硼氢粉碎优化控制系统研究[D]. 赵晓斌.内蒙古科技大学 2015
[6]基于VAR模型的CPI实证分析及预测[D]. 程秀芝.天津财经大学 2015
[7]基于SOM的神经网络聚类方法在临床检验知识发现中的适用性研究[D]. 孙丽君.第四军医大学 2013
[8]涡轮叶片故障诊断与模拟研究[D]. 刘英乾.哈尔滨工程大学 2013
[9]MA（q）模型的贝叶斯分析[D]. 熊欧.西南交通大学 2007
[10]基于AHP-SOFM的智能化决策模型研究与应用[D]. 胡子义.首都师范大学 2006
本文编号：3489926
【文章来源】：南京师范大学江苏省 211工程院校
【文章页数】：47 页
【学位级别】：硕士
【部分图文】：
图２－１原始序列图??
第２章时间序列模型ＣＰＩ的预测０．０５，即拒绝原假设，因此所有的参数在５％的显著性水平下都具有实际的意义。??．残差的白噪声检验??残差序列进行随机性检验，根据建模要求，残差序列是白序列之间没有相关性，残差序列白噪声检验结果如下：??表２－６残差白噪声检验??Ｌａｇ?Ｘ－ｓｑｕａｒｅｄ?Ｄｆ?ｐ－ｖａｌｕｅ??６?５．３８８０?４?０．３５３４??１２?８．７４４２?１０?０．７２４６??１８?１１．３９７０?２６?０．８７６８??
图２－６?Ｄｏｏｄｌｅ?图??－
【参考文献】：
期刊论文
[1]基于SOM神经网络的高校图书馆个性化推荐服务系统构建[J]. 刘爱琴,李永清. 图书馆论坛. 2018(04)
[2]一种基于贝叶斯后验的异常值在线检测及置信度评估算法[J]. 孙栓柱,宋蓓,李春岩,王皓. 中国科学技术大学学报. 2017(08)
[3]基于ARIMA模型的上海居民消费价格指数分析及预测[J]. 宋颖超. 时代金融. 2017(15)
[4]基于SOM聚类的微博话题发现[J]. 宋莉娜,冯旭鹏,刘利军,黄青松. 计算机应用研究. 2018(03)
[5]中国物价变化的实证分析及走势预测[J]. 王志刚. 价格理论与实践. 2016(12)
[6]基于贝叶斯估计的路基沉降时间序列分析模型[J]. 王江荣,袁维红,赵睿,任泰明. 矿山测量. 2016(04)
[7]我国CPI与汽车行业关系的探讨[J]. 李冰. 统计与咨询. 2015(06)
[8]基于贝叶斯MCMC方法的我国人口死亡率预测[J]. 胡仕强. 保险研究. 2015(10)
[9]基于MCMC方法的公路客运量贝叶斯AR（p）分析[J]. 韩国华,魏其运. 山东交通科技. 2015(04)
[10]基于ARIMA模型的北京居民消费价格指数预测[J]. 杨颖梅. 统计与决策. 2015(04)
博士论文
[1]基于贝叶斯网络的突发事件应急决策信息分析方法研究[D]. 徐磊.哈尔滨工业大学 2013
[2]基于数据的间歇过程故障诊断及预测方法研究[D]. 王姝.东北大学 2010
[3]机器人嗅觉系统及相关传感器理论与实验研究[D]. 王昌龙.东南大学 2004
硕士论文
[1]我国基本养老保险基金投资组合策略研究[D]. 任丽苹.西北农林科技大学 2017
[2]基于贝叶斯理论的人均GDP时间序列预测研究[D]. 尹姗姗.广州大学 2016
[3]我国居民消费价格指数（CPI）影响因素的实证分析[D]. 魏静洁.云南大学 2016
[4]北京市CPI的分析与预测[D]. 陈婉莹.北京交通大学 2015
[5]基于数据驱动的钕铁硼氢粉碎优化控制系统研究[D]. 赵晓斌.内蒙古科技大学 2015
[6]基于VAR模型的CPI实证分析及预测[D]. 程秀芝.天津财经大学 2015
[7]基于SOM的神经网络聚类方法在临床检验知识发现中的适用性研究[D]. 孙丽君.第四军医大学 2013
[8]涡轮叶片故障诊断与模拟研究[D]. 刘英乾.哈尔滨工程大学 2013
[9]MA（q）模型的贝叶斯分析[D]. 熊欧.西南交通大学 2007
[10]基于AHP-SOFM的智能化决策模型研究与应用[D]. 胡子义.首都师范大学 2006
本文编号：3489926
本文链接：https://www.wllwen.com/jingjilunwen/guojimaoyilunwen/3489926.html
