基于ARIMA时间序列模型的美国失业率预测研究

发布时间：2024-04-25 21:27

　　失业率(unemployment rate)是反应一个国家或地区劳动力资源利用状况的重要指标。这一重要指标不仅可以帮助国家央行制定相应的货币政策,也可以帮助投资者制定未来的投资决策。本文根据美国从1948年1月到2019年12月每月的失业率进行研究分析,了解失业率的变动情况及规律,研究自回归移动平均(ARIMA)模型与季节性自回归移动平均(SARIMA)模型的建模与应用。结果表明:ARIMA(2,2,0)模型可以很好的描述失业率的变化趋势,在排除宏观因素影响的情况下,使用该模型可以短期预测未来失业率。

【文章页数】：2 页

【部分图文】：

图11948-2019年美国失业率

时间序列是指某个统计指标按照时间先后顺序进行排序的序列。随着信息技术的不断发展，数据产量也越来越大，对于时间序列的分析研究也因此越来越深入。本文采用的数据来源于美国劳工统计局，选取1948年1月到2019年12月每月的失业率作为原始时间序列。由图1可知，1954年美国的失业率达到....

图2一阶差分后时间序列的均值和标准差

ARIMA模型通常以ARIMA(p,d,q）表示，其中AR代表自回归过程，MA代表移动平均过程，三个参数p、d、q、分别代表自相关阶数、转化为平稳序列需要进行的差分次数和移动平均数。尽管在数据处理部分我们已经将失业率的时间序列进行了对数处理，但处理之后的时间序列仍然缺乏稳定性。因....

图3二阶差分后时间序列的均值和标准差

图2一阶差分后时间序列的均值和标准差由图2和图3可知，相比于一阶差分，二阶差分之后，时间序列更为稳定。具体来说，二阶差分后时间序列的均值近似于0，并且标准差在0到0.15之间，这表明二阶差分后时间序列更为平稳。因此，可将模型设定为ARIMA(p,2,q）。此外，从自相关函数图（....

本文编号：3964270