中国GDP的计量经济模型(ARIMA模型)分析

　　1、 模型的显著性检验。 模型的显著性检验主要是检验模型的有效性，一个模型是否显著有效主要看它提取的信息是否充分。 一个好的拟合模型应该能够提取观察值序列中几乎所有的样本相关信息，换言之，拟合残差项中将不再蕴涵任何相关信息，即残差序列应该为白噪声序列。为考核所建模型的优劣，需要对模型的残差序列进行检验，检验其是否为白噪声序列。若残差序列是白噪声序列，可认为模型合理，适用于预测，否则，意味着残差序列还存在有用的信息没被提取，需要进一步改进模型。

　　从 SAS 作出的残差自相关图中可以看出除延迟 6 阶外，其余的延迟各阶的LB 统计量的 P 值均显著大于 α (α =0.05)，可知残差通过了白噪声检验，该拟合模型显著成立。 即认为残差序列为白噪声序列，拟合模型显著有效。2、 参数的显著性检验。 参数的显著性检验就是要检验每一个未知参数是否显著非零。准1 的条件最小二乘检验结果是t统计量的值为 3.85， P 值为 0.003;均值的条件最小二乘检验结果是 t 统计量的值为 4.7， P 值<0.001;结论是由于系数 t 统计量的 P 值为 0.003，小于 α (α=0.01)，模型系数在 1%的水平以上。显然两参数检验均显著。

　　(五)模型优化。 当一个拟合模型通过了检验，说明在一定的置信水平下，该模型能有效地拟合观察值序列的波动，但这

　　种有效模型并不是唯一的。 同一个模型可以构造多个拟合模型，当这些模型都显著有效时，难以选择哪个模型来进行推断，于是引进 AIC 和 SBC 信息准则来选择相对最优模型。通过用 AIC 和 SBC 准则对多个ARIMA 模型的比较，最小信息量检验显示无论是 AIC 准则还是 SBC 准则， ARI-MA (1， 1， 0)模型的 AIC 函数和 SBC 函数都是最小的，所以 ARIMA (1， 1， 0)是相对最优模型。

　　(六)模型预测。 用上面拟合的模型可以得到未来 8 年 GDP 的预测值。 (表1)

　　二、 结果分析本文主要从自身发展规律来分析和预测国内生产总值(GDP)，比较准确地预测和判断未来几年内的国内生产总值的状况。从预测结果来看，预测值有个明显的增长趋势，这符合我国 GDP 发展的现况，因为近年来，我国的经济以较快的速度增长。由前面我国 GDP 时间序列模型可知，我国 GDP 的增长与上一期 GDP 增长有关。

　　另外，根据我国 GDP 的单位根检验，发现我国 GDP 消除指数增长趋势后的序列为一阶单整的，这说明我国 GDP时序数据对冲击具有持久的特性，往往具有一个固定的增长趋势，一般不会返回某个特定值。我国 GDP 增长具有长期可持续性，并且稳定性也在逐步增强。文中我们能做到的也仅限于以 GDP的变化为视角，并在这样一个视角下，力图达到对经济运行较为准确的预测。 本文有一个没有仔细研究的问题，就是 GDP数据的周期性，如果能从这方面详细研究，肯定更能对 GDP 的发展变化做出更准确地分析。

　　主要参考文献：

　　[ 1]王燕. 应用时间序列分析[M] . 中国人民大学出版社， 2003.

　　[ 2]徐亚鹏.我国GDP分析及预测[ Z] . 2006.

　　[ 3]赵盈. 我国 GDP时间序列模型的建立与实证分析[ J ] . 西安财经学院学报， 2006