

版權(quán)說(shuō)明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請(qǐng)進(jìn)行舉報(bào)或認(rèn)領(lǐng)
文檔簡(jiǎn)介
1、2010年以來(lái),物價(jià)上漲~直是人們關(guān)注的焦點(diǎn)問(wèn)題之一,PPI是反映我國(guó)國(guó)民經(jīng)濟(jì)發(fā)展?fàn)顩r的重要指標(biāo)。研究PPI的變動(dòng)情況有助于對(duì)當(dāng)前的經(jīng)濟(jì)政策作出相應(yīng)的調(diào)整,對(duì)于研究我國(guó)國(guó)民經(jīng)濟(jì)的發(fā)展變化具有重要的實(shí)際意義。
本文基于時(shí)間序列方法對(duì)我國(guó)PPI月度數(shù)據(jù)進(jìn)行研究,將遺傳算法和投影尋蹤方法應(yīng)用到門(mén)限自回歸模型中,建立了PPI同比增幅數(shù)據(jù)的基于遺傳算法的門(mén)限自回歸模型以及投影尋蹤門(mén)限自回歸模型。具體內(nèi)容如下:
(1)構(gòu)
2、建了PPI同比增幅數(shù)據(jù)的門(mén)限自回歸(TAR)模型,將TAR模型預(yù)測(cè)數(shù)據(jù)與原始數(shù)據(jù)及AR模型的預(yù)測(cè)數(shù)據(jù)進(jìn)行比較。結(jié)果表明,TAR模型的預(yù)測(cè)效果較好,但在門(mén)限值的選取方面仍有進(jìn)一步改進(jìn)的空間。
(2)在門(mén)限自回歸模型中引入遺傳算法,對(duì)模型重新優(yōu)選門(mén)限值,建立了PPI數(shù)據(jù)的基于遺傳算法的門(mén)限自回歸模型,并將該模型的擬合、預(yù)測(cè)結(jié)果與普通的門(mén)限自回歸模型的擬合、預(yù)測(cè)結(jié)果進(jìn)行對(duì)比。結(jié)果表明:在擬合及預(yù)測(cè)方面前者比后者都要好,特別是預(yù)測(cè)
3、精度有了明顯提高,體現(xiàn)了遺傳算法在全局優(yōu)化方面的優(yōu)勢(shì)。
(3)將投影尋蹤門(mén)限自回歸模型應(yīng)用在PPI數(shù)據(jù)的分析、預(yù)測(cè)上。建模結(jié)果比較理想。表明投影尋蹤方法在經(jīng)濟(jì)數(shù)據(jù)的研究中具有很好的應(yīng)用價(jià)值。投影尋蹤門(mén)限自回歸模型將傳統(tǒng)的投影尋蹤方法分解成兩個(gè)相互獨(dú)立的優(yōu)化問(wèn)題:投影指標(biāo)函數(shù)的優(yōu)化問(wèn)題和TAR模型的參數(shù)優(yōu)化問(wèn)題,簡(jiǎn)化了建模的過(guò)程。擬合和預(yù)測(cè)結(jié)果也表明投影尋蹤門(mén)限自回歸模型較好地反映了數(shù)據(jù)的結(jié)構(gòu)特征,同時(shí)也具有良好的預(yù)測(cè)能力。
溫馨提示
- 1. 本站所有資源如無(wú)特殊說(shuō)明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請(qǐng)下載最新的WinRAR軟件解壓。
- 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請(qǐng)聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
- 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁(yè)內(nèi)容里面會(huì)有圖紙預(yù)覽,若沒(méi)有圖紙預(yù)覽就沒(méi)有圖紙。
- 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
- 5. 眾賞文庫(kù)僅提供信息存儲(chǔ)空間,僅對(duì)用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對(duì)用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對(duì)任何下載內(nèi)容負(fù)責(zé)。
- 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請(qǐng)與我們聯(lián)系,我們立即糾正。
- 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時(shí)也不承擔(dān)用戶因使用這些下載資源對(duì)自己和他人造成任何形式的傷害或損失。
最新文檔
- 基于回歸分析與遺傳算法的施肥模型構(gòu)造方法研究.pdf
- 基于遺傳算法的熱力設(shè)備模型自校正研究.pdf
- 基于遺傳算法的視頻摘要模型.pdf
- 基于HMM遺傳算法的預(yù)測(cè)方法研究.pdf
- 基于遺傳算法的CVaR模型研究.pdf
- 國(guó)債期貨交割期權(quán)價(jià)值的估計(jì)——基于門(mén)限自回歸模型(TAR)的視角.pdf
- 基于云模型的遺傳算法的研究.pdf
- 基于遺傳算法的非線性模型辨識(shí).pdf
- 基于云模型的粒編碼遺傳算法.pdf
- 基于支持向量回歸與遺傳算法的電力系統(tǒng)短期負(fù)荷預(yù)測(cè).pdf
- 遺傳算法和灰色預(yù)測(cè)模型的研究及應(yīng)用.pdf
- 基于遺傳算法的投資組合模型研究.pdf
- 基于新模型的多目標(biāo)遺傳算法.pdf
- 基于遺傳算法的物流成本模型研究.pdf
- 基于遺傳算法的大型電力變壓器內(nèi)部故障預(yù)測(cè)模型研究.pdf
- 基于神經(jīng)網(wǎng)絡(luò)遺傳算法的焊接變形預(yù)測(cè)模型研究與應(yīng)用.pdf
- 基于遺傳算法的Portfolio整數(shù)規(guī)劃模型.pdf
- 基于遺傳算法的庫(kù)存決策模型研究.pdf
- 基于自回歸模型的混沌時(shí)間序列預(yù)測(cè)與應(yīng)用.pdf
- 基于評(píng)論情感和自回歸模型的銷(xiāo)量預(yù)測(cè)研究.pdf
評(píng)論
0/150
提交評(píng)論