下载文档原格式
基于ARIMA模型的山东省市域居民收入预测分析作者：李秀敏等来源：《管理观察》2015年第06期摘要：山东省居民收入差距几年来不断扩大，根据1996-2013年山东统计年鉴中城镇居民可支配收入和农村居民人均纯收入数据，采用ARIMA和单指数平滑法的模型预测显示，2013-2016年内城镇居民和农村居民收入仍将继续增长，城镇居民达到28718.54、31681.89、34645.24和37608.59元，农村居民达到10550.67、11654.94、12759.21、13863.48元。
同时，城乡居民收入差距不断拉大。
结合山东省实际，提出增加农民收入、抓住新型城镇化的发展机遇，促进城乡协调发展、重点加强职业教育和成人教育、加快西部经济发展速度的措施。
关键词：居民收入 ARIMA模型预测时间序列Abstract： Income gap of Shandong Province have been enlarged continuously over the past several years. According to the statistical yearbook of Shandong urban residents 1996-2013 years in disposable income and per capita net income of rural residents data， using ARIMA and single exponential smoothing model predictive， it display 2013-2016 years， income of urban residents and rural residents will continue to grow and urban residents will reach 28718.54， 31681.89，34645.24 and 37608.59 yuan， rural residents will reach 10550.67，11654.94，12759.21，13863.48 yuan. At the same time， the income gap between urban and rural residents is widening. Combined with the actual situation of Shandong Province，it put forward the development opportunities to increase the income of the farmers， to seize the new urbanization， promote the coordinated development of urban and rural areas， focusing on strengthening the occupation education and adult education， to speed up western economic development measures.Keywords： Residents Income， ARIMA Model， Forecast， Time Series居民收入能够很好地反映国民收入的分配状况，一直是我国经济社会发展中与居民幸福感、安全感密切相关的一个重大问题。
基于ARIMA模型的上海城镇居民人均可支配收入预测研究1. 引言1.1 研究背景上海作为我国经济最发达的城市之一，其城镇居民的可支配收入水平一直备受关注。
随着经济的不断发展和城市化进程的加快，城镇居民的收入水平也呈现出逐步增长的趋势。
对上海城镇居民人均可支配收入进行预测研究具有重要的理论和实践价值。
在过去的研究中，虽然有一些学者对上海城镇居民人均可支配收入进行了分析和预测，但大多数研究仍然存在一定的局限性。
传统的统计分析方法往往依赖于对数据分布和特性的假设，而且在时间序列数据分析中存在一定的随机性和不确定性。
为了克服这些问题，引入ARIMA模型进行预测研究具有重要意义。
本研究旨在利用ARIMA模型对上海城镇居民人均可支配收入进行预测，以期为上海市政府和相关部门提供科学的决策依据，为上海经济社会的可持续发展提供参考。
通过对城镇居民的收入水平进行准确预测，可以更好地指导政府制定相关政策，促进社会公平和经济发展。
1.2 研究意义城镇居民人均可支配收入是衡量一个城市经济发展水平和居民生活水平的重要指标之一，也是衡量城市社会经济健康状况的重要标志。
上海作为中国经济最发达的城市之一，城镇居民人均可支配收入水平一直处于较高水平。
研究上海城镇居民人均可支配收入的预测具有重要的实践意义和政策指导意义。
通过对上海城镇居民人均可支配收入的预测研究，可以帮助政府和相关部门更好地制定经济政策和社会政策，进一步促进城市经济的持续增长和居民生活水平的提高。
对上海城镇居民人均可支配收入的预测研究可以为居民个人和家庭提供重要的参考信息，帮助他们更好地规划自己的经济生活和未来发展。
1.3 研究目的本研究旨在利用ARIMA模型对上海城镇居民人均可支配收入进行预测，以探索其发展趋势和变化规律，为相关政策制定提供依据。
具体目的包括：1. 分析上海城镇居民人均可支配收入的变化趋势，揭示其影响因素和驱动力，为进一步研究提供基础和依据。
2. 建立可靠的ARIMA模型，有效预测上海城镇居民人均可支配收入的未来走势，为相关部门提供科学决策支持。
基于时间序列的人均GDP预测研究近年来，随着人们经济水平的不断提高，人均GDP已经成为了衡量国家或地区经济发展水平最重要的指标之一。
因此，对人均GDP的预测和研究也变得越来越重要。
本文将以基于时间序列的方法来探究如何预测人均GDP并分析其变化趋势。
一、时间序列的基本概念和模型时间序列可以简单地理解为按时间顺序排列的一组数据，其中每一项数据代表一段时间内某种变量的值。
其中，时间是自变量，变量是因变量。
时间序列分析方法就是利用过去观察到的数据对未来进行预测。
时间序列的模型可分为两类：一是基于时间趋势的模型，也称为趋势模型。
这类模型主要分析时间序列数据的长期趋势（如线性趋势、指数趋势等）。
二是基于周期性变化的模型，也称为周期模型。
这类模型强调时间序列的周期性变化（如日、周、月等）。
基于这两类模型，还有一类常用的模型是ARIMA模型（即自回归移动平均模型），该模型具有较广泛的适用性。
二、人均GDP的时间序列分析在进行人均GDP的时间序列分析前，首先需要明确数据的来源和组织形式。
在本文中，我们选取了世界银行（World Bank）网站上公开的各国人均GDP数据，并将其组织成了一份Excel表格。
拿到数据后，我们需要进行一些基本的统计分析，比如求出平均数、标准差、极差等，以更好地了解人均GDP的总体分布情况。
接着，可以通过绘制时间序列图（也称为折线图）来展示人均GDP的变化趋势。
如下图所示，为中国、美国、印度、巴西以及尼日利亚的人均GDP折线图。
可以看到，中国、美国、巴西的人均GDP呈现逐年增长的趋势，印度的人均GDP 增长较快，而尼日利亚的人均GDP波动幅度较大。
绘制时间序列图的过程中，还可以计算出人均GDP的趋势线和残差序列。
趋势线是指时间序列的整体走势，残差序列是指趋势线与实际数据之间的差值。
通过对残差序列的分析，可以判断模型是否合适。
除此之外，我们还可以利用ADF检验方法（即单位根检验）来判断时间序列序列是否平稳。
区域创新基于ARIMA 模型的湖北省城镇居民人均可支配收入预测张婷婷(中南民族大学经济学院湖北武汉430074)摘要：为了研究湖北省城镇居民人均可支配收入的情况，选取湖北省2000-2015年16年的数据，采用基于R 软件的时间序列分析方法对这部分数据进行检验和分析。
预测之前首先对非平稳的原始数据进行对数化处理，再作二阶差分得到平稳序列，之后建立ARIMA 模型（差分自回归移动平均模型），然后利用已经通过检验的模型对2016-2025年这10年数据进行预测。
从预测结果看出，2016-2025年未来10年湖北省城镇居民人均可支配收入依然呈现明显上涨 趋势。
最后给出政策性建议和总结，这对湖北省的经济发展有着很重要的使用价值。
关键词：时间序列；R软件;ARIMA 模型；预测doi ：10.3969/j .issn .1665-2272.2017.14.002斯(Jenkins )于20世纪70年代初提出的一■者名时间序列预测方法，所以又称为box -jenkinS 模型、博克思-詹金斯法，该模型是指将非平稳时间序列转化为平稳时 间序列，然后将因变量仅对它的滞后值以及随机误差 项的现值和滞后值进行回归所建立的模型。
其中ARIMA (p ，d ，q )称为差分自回归移动平均模型，AR 为 自回归，责为自回归项，MA 为移动平均，择为移动平均 项数，d 为非平稳时间序列成为平稳时所做的差分次 数。
ARIMA 是残差进入模型，提高了模型的精度，但是 ARIMA 模型法自身包含一种假设，它假定时间序列为未来模式与过去的趋势一致，不能预测到某些特殊情 况的发生，通常被用于短期预测。
1数据的处理与平稳性检验1.1数据平稳性检验在预测之前首先需要对时间序列数据进行平稳性 检验，本文中通过取对数、做差分等数据转换的方法将 非平稳的时间序列转化为零均值的平稳随机时间序 列，表1为湖北省城镇居民人均可支配收入2000-2015 年数据，图1为2000-2015年数据的时间序列图。
现代农业研究Modern Agriculture Research第26卷1引言在改革开放的这40年里，我国社会经济快速发展，国民生活水平也随之提高，但当前我国社会仍然存在的最大问题便是城乡发展不平衡不充分。
基尼系数可表示城乡居民收入分配的不平等程度，一般分界线是为0.4，比较发达的国家在0.25至0.35之间。
近几年，我国基尼系数一直处在0.4至0.5之间，表明我国收入分配依旧不平等，贫富差距变大。
其实造成我国居民收入差距的原因有很多，包括农村劳动力减少，尽管农村人口基数大，但跟随着城市化许多年轻人也外出打工，导致农村只留下老人和小孩；农村产业单一，所需劳动力大但利润较低，当国家大力投资发展工业时，农业便发展落后；政府政策导向不同，我国改革开放后注重城市建设，将大量资金投入大城市的教育、医疗、服务等基础建设中，造成农村发展落后。
伴随着现代科技发展与我国城市化进程，从改革开放以来许多农民便在农闲时进城打工以此来增加自身收入，导致城乡收入差距拉大。
然而目前我国也实施了一系列扶贫政策，帮助农民摘下贫困帽，如最低生活保障、社会养老保险等福利，但仍不能从根本上解决农村与城镇之间的贫富差距。
因此在许多已有研究之上，本文基于时间序列ARIMA 模型预测未来城乡收入差距的变化，也为以后我国逐渐减少城乡差距提供一些针对性对策。
2数据来源与说明本文选取了2000—2019年城乡居民人均可支配收入、城镇人口和农村人口总数的数据，该数据来源于国家统计局，十分真实可信，计算得到城乡居民总收入，通过大量文献研究发现城乡差距均等指标可以表示成：其中x1代表城镇居民收入占总收入的比例，x2代表农村居民可支配收入占总收入的比例。
3ARIMA 模型的实证分析3.1模型步骤首先验证序列是否平稳，如果是平稳的，则直接建立我国城乡居民收入差距动态研究——基于ARIMA 模型（江西财经大学江西，南昌330200）【摘要】农村发展一直以来是国家关注的问题，随着现代化科技发展，我国城镇居民与农村居民收入差距愈拉愈大。
基于ARIMA模型的时间序列预测分析时间序列预测分析是经济学和金融领域的重要应用之一，也是数据分析领域中非常基础的操作。
在实际的运用中，为了准确预测未来的数据趋势，我们必须有一种可靠的方法来对现有的时间序列数据进行建模和预测。
ARIMA模型，作为时间序列模型中的一个经典算法，可以解决这个问题。
ARIMA模型全称为自回归移动平均模型（Autoregressive Integrated Moving Average），是一种基于时间序列的统计分析方法，可以用于对非周期性、平稳时间序列样本的拟合与分析，以及预测其未来表现。
ARIMA模型的应用广泛，包括经济学、金融、气象、医学等领域，是时间序列预测中最常用的模型之一。
ARIMA模型的建立，需要对时间序列数据做许多处理和检验工作。
首先，我们需要检查所处理的时间序列数据是否符合ARIMA模型的假设：平稳性，即时间序列数据在不同时间段内的方差和均值都应该相等。
如果时间序列数据不符合平稳性假设，我们需要进行差分操作，将非平稳时间序列转化为平稳时间序列。
同时，根据检验结果，选择合适的阶数并确定ARIMA模型的系数。
阶数包括自回归阶数、差分阶数、移动平均阶数等，不同阶数的选择会影响ARIMA模型的预测效果。
ARIMA模型的预测目的是预测未来一段时间内的时间序列数据。
在进行模型预测时，我们需要确定预测的区间长度，根据之前的数据，计算需要预测的时间序列数据点所在的时间段内的均值和方差，并依照ARIMA模型的计算公式进行预测。
ARIMA模型在时间序列预测中的应用，已经非常成熟。
但是，ARIMA模型也有一些缺陷。
第一，ARIMA模型对于数据的通常要求非常苛刻，需要平稳且线性的时间序列数据；第二，ARIMA模型仅适用于描述非周期性时间序列数据，对于周期性和复杂时间序列数据，ARIMA模型效果欠佳。
因此，在实际预测中，我们需要针对数据的特点选择不同的方法和模型进行分析，以得到更加准确的预测结果。
基于ARIMA模型的山东省社会平均工资预测基于山东省的社会平均工资历史数据，利用时间序列的方法，构造了一个ARIMA模型，并运用SAS软件检验参数的显著性和残差序列的白噪声，得到了一个综合预测模型，并据此模型对未来的社会平均工资进行了分析和预测。
标签：ARIMA模型；平均工资预测；SAS软件；时间序列分析1引言社会的平均工资水平是衡量和反映收入和分配的重要指标，也是核算GDP 的重要依据之一，更是政府制定相关政策的重要参考。
例如，职工最低工资标准的设定，退休职工养老金的发放标准的设定，以及社保基金的缴费比例等，都需要参考社会平均工资。
因此，合理的分析和预测社会平均工资对相关问题的深入研究有着重要的参考价值。
本文以山东省的社会平均工资为例，利用时间序列ARIMA模型对社会平均工资的变化进行预测。
2 数据来源及预处理通过查阅统计年鉴，我们得到山东省职工历年平均工资统计表。
从数据看出，山东省职工历年平均工资在过去的33年总体上呈现增长趋势，特别是在后序年段增长迅速，因此认为该时间序列是一非平稳时间序列。
对其进行适当的差分来消除序列的线性增长趋势，使其最终达到平稳。
对一阶差分结果进行平稳性检验，发现该时间序列仍为非平稳序列，所以需要进行二阶差分。
二阶差分序列如图1所示。
由图1可以看出，对原时间序列作二阶差分后，该时间序列基本达到平稳。
因此，对二阶差分后的数据进行模型的识别和定阶，找出最终的时间序列模型，用来预测山东省年平均工资。
3ARIMA时间序列预测模型3.1模型的识别与定阶ARIMA模型使用在差分平稳序列拟合。
如下为ARIMA(p,d,q)模型:采用ACF 图2、PACF 图3与Akaike 最小信息准则（AIC）、Schwarz-Bayes 准则（BIC）相结合的方法来判定模型的最佳阶数。
对该时间序列，通过取不同的参数进行重复拟合，计算各个模型下的AIC、BIC 值，進行比较知，取阶数(p,d,q)=(1,2,2)时，时间序列模型的AIC，BIC 值分别达到最小值450.5248，454.8268。
基于时间序列分析的ARIMA模型分析及预测ARIMA（Autoregressive Integrated Moving Average）模型是一种常用于时间序列分析和预测的经典模型。
它结合了自回归（AR）、差分（I）和移动平均（MA）这三种方法，可以较好地处理非平稳时间序列数据。
ARIMA模型的基本思想是根据时间序列数据的自相关（AR）和趋势性（MA）来预测未来的值。
它的建模过程包括确定模型的阶数、参数估计和模型诊断。
首先，ARIMA模型的阶数由p、d和q这三个参数决定。
其中，p代表自回归阶数，d代表差分阶数，q代表移动平均阶数。
p和q决定了时间序列的自相关和移动平均相关的程度，而d决定了时间序列是否平稳。
确定这些参数可以通过观察ACF（自相关函数）和PACF（偏自相关函数）图来进行。
接下来，参数估计是ARIMA模型中关键的一步。
常用的估计方法有最小二乘法（OLS）和最大似然估计法（MLE）。
最小二乘法适用于平稳时间序列，最大似然估计法适用于非平稳时间序列。
完成参数估计后，还需要进行模型诊断。
模型诊断主要是通过残差序列来判断模型是否拟合良好。
通常，残差序列应满足如下条件：残差序列应是白噪声序列，即残差之间应该没有相关性；残差序列的均值应接近于零，方差应保持不变。
最后，通过使用ARIMA模型预测未来的值。
根据模型对未来的预测，我们可以得到未来一段时间内的时间序列预测结果。
ARIMA模型的优点是可以对非平稳时间序列进行建模和预测。
它几乎可以应用于任何时间序列数据，如股票价格、气温、销售量等。
然而，ARIMA模型也有一些限制。
首先，ARIMA模型假设时间序列的结构是稳定的，但实际上很多时间序列数据都是非稳定的。
其次，ARIMA 模型对数据的准确性和完整性有较高的要求，如果数据中存在缺失值或异常值，建模的准确性会受到影响。
总结来说，ARIMA模型是一种经典的时间序列分析和预测方法。
它能够处理非平稳时间序列数据，并且可以通过确定阶数、参数估计和模型诊断来进行预测。
基于ARIMA模型的上海城镇居民人均可支配收入预测研究摘要：本文基于ARIMA模型，探讨了上海城镇居民人均可支配收入的预测研究。
通过对过去几年的相关数据进行分析，建立了ARIMA模型，并对未来一定时期内的城镇居民人均可支配收入进行了预测。
研究发现，ARIMA模型对上海城镇居民人均可支配收入的预测具有较高的准确性和可靠性，为相关领域的决策和规划提供了重要参考。
一、引言随着中国经济的快速发展和城镇化进程的加快，城镇居民的人均可支配收入逐渐成为一个备受关注的焦点问题。
城镇居民人均可支配收入水平的提高，不仅直接关系到城市居民的生活水平和消费能力，也对城市的经济发展和社会稳定产生着深远影响。
对城镇居民人均可支配收入进行科学的预测研究，对相关政策的制定和社会经济的稳定发展具有十分重要的意义。
上海作为中国的经济中心和国际大都市，城镇居民人均可支配收入水平一直处于较高水平，并且呈现出稳步增长的趋势。
面对全球经济形势的不确定性和国内外各种风险挑战，及时准确地预测上海城镇居民人均可支配收入的发展趋势，对上海市政府的相关政策制定和发展规划非常重要。
本文旨在基于ARIMA模型，对上海城镇居民人均可支配收入进行预测研究，以期为上海市相关领域的决策和规划提供参考和支持。
二、相关理论知识1. ARIMA模型ARIMA模型是时间序列分析中常用的一种模型，它是自回归模型（AR）和移动平均模型（MA）的组合。
ARIMA模型通过对时间序列数据的自回归项、差分项和移动平均项进行组合，可以较好地拟合和预测时间序列数据的变化趋势。
ARIMA(p,d,q)模型中，p代表自回归项数，d代表差分阶数，q代表移动平均项数。
通过对时间序列数据进行合适的差分操作，可以将非平稳时间序列转化为平稳时间序列，从而利用ARIMA模型进行建模和预测。
2. 城镇居民人均可支配收入城镇居民人均可支配收入是指城镇居民用于消费和储蓄的可支配收入，反映了城镇居民的生活水平和消费能力。
基于ARIMA 模型的城镇居民人均收入的预测摘要 ：城镇居民可支配收入一向较为是反映人民生活水平和国内经济发展状况的重要指标，故对于城镇居民可支配收入的情况了解几何就显得尤为重要。
在此对1980—2015年我国城镇居民人均可支配收入的数据进行训练集和检验集的划分处理后，运用SAS9.3统计软件建立了ARIMA （1,1,0）城镇居民人均可支配收入的拟合模型：()t tBx B ε75705.0111-=-。
并预测2016年城镇居民人均的可支配收入为29284.77元，为政府部门提供了制定相关惠民政策的参考有着极为重要的作用。
一、 引言城镇居民可支配收入是指反映居民家庭全部收入在能用于安排家庭日常生活支出的部分收入。
随着经济的发展，国家财政在民生政策和民生福利上的不断加大投入，在此城镇居民的可支配收入就成为了一个非常重要的参考指标，可以用来衡量城镇居民的生活水平，从而是政府制定相关政策的重要依据。
就目前而言国内针对城镇居民可支配收入的预测研究的文献主要采用两种预测方法平稳时间序列预测法和灰色预测法。
一种是由著名学者邓聚龙教授提出的灰色预测系统理论，目前已经广泛应用到了经济、科教、工农业、气象、军事等领域，并取得了较好的预测效果。
其中游中胜以重庆城镇居民家庭为例构造了GM （1,1）的家庭人均可支配收入模型，并分别预测了2013—2015年的人均可支配收入]2[。
另一种则是通过建立ARIMA 模型进行预测，通过对数据的处理分析最终得到较好的预测结果。
文献有蒋琴莉利用ARIMA 模型预测了我国城镇居民家庭人均可支配收入并提出建设性的政策意见]3[。
本文运用软件SAS9.3对《中国统计年鉴2016》1980—2015年我国城镇居民人均可支配收入的数据进行分析，此外，为了更好地检验数据的拟合效果，我们将数据分为训练集和检验集，并运用ARIMA 模型对城镇居民可支配收入进行了预测。
二、 ARlMA 模型原理ARIMA 模型全称为自回归移动平均模型(Autoregressive Integrated Moving Average Model ，简记ARIMA)，具有如下结构：ts Ex t s E Var E B x B t s s t t t tt d <∀=≠===Θ=∇Φ,0,0)(,)(,0)()()(2εεεσεεεε （1）式中，dd B )1(-=∇；p p B B B φφ---=ΦΛ11)(，为平稳可逆ARMA （P , q ）模型的自回归系数多项式；q q B B B θθ---=ΘK 11)(，为平稳可逆ARMA （p,q ）模型的移动平滑系数多项式。
求和自回归移动模型这个名字的由来是因为d 阶差分后序列可以表示为：it i d di i t dx C x -=∑-=∇0)1(式中，)!(!!i d i d C i d -=，即差分后序列等于原序列的若干序列值的加权和，而对它又可以拟合自回归移动平均模型，所以称它为求和自回归移动平均模型。
式（5.1）可以简记为：tt d B B x ε)()(ΘΘ=∇ （2）式中，{}t ε为零均值白噪声序列。
由式2容易看出，ARIMA 模型的实质就是差分运算与ARMA 模型的组合。
这一关系意义重大。
这说明任何非平稳序列如果能通过适当阶数的差分实现差分后平稳，就可以对差分后序列进行ARMA 模型拟合了。
而ARMA 模型的分析方法非常成熟，这意味着对差分序列的分析也将是非常简单、非常可靠的。
特别的，当d=0时，ARIMA （p,d,q ）模型实际就是ARMA （p,q ）模型。
当p=0时，ARIMA （0,d,q ）模型可以简记IMA （d,q ）模型。
当d=1,p=q=0时，ARIMA （0,1,0）模型为：tsEx t s E Var E x x t s s t t t tt t <∀=≠===+=-,0,0)(,)(,0)(21εεεσεεεε （3）该模型又称为随机游走模型]4[。
三 、数据的介绍以及描述本文选取《中国统计年鉴2016》1980—2015年我国城镇居民人均可支配收入作为研究数据。
通过利用SAS9.3软件对城镇居民人均可支配收入绘制时序图（如图1），可以清晰的了解到城镇居民人均可支配收入序列蕴含着曲线递增的长期趋势，是非平稳时间序列。
图1 1980—2015年城镇居民人均可支配收入的时序图3.1数据预处理为了更好地检验数据的拟合效果，我们将数据分为训练集和检验集。
1980—2012年的数据作为训练集用于建模，余下3年数据作为检验集作为检验模型预测能力好坏的标准。
由于初步了解数据发现该序列呈现明显的上升趋势，为非平稳序列。
且通过观察图形我们可以看出时序图呈指数函数上升的趋势，于是我们对该序列做对数变换，变换后的时序图（如图2）所示。
图2 1980—2012年城镇居民人均可支配收入对数变换时序图图2显示，取对数后的时序图仍然蕴含着线性递增的趋势，还需要对该城镇居民人均可支配收入进行1阶差分运算来实现趋势平稳。
结果如图3所示。
图3 1980—2012年城镇居民人均可支配收入的1阶差分时序图1阶差分后的序列不再呈现明显的趋势性，可以直观的初步确认该序列已经平稳。
四、ARIMA模型的建立4.1序列的平稳性检验与白噪声检验时序图显示该序列的信息基本被差分运算充分提取，为了进一步验证其平稳性，我们考察差分后序列的自相关图（如图4）。
图4 1980—2012年城镇居民人均可支配收入的1阶差分后自相关图自相关图显示，延迟1阶之后，自相关系数具有明显的短期相关性，可以认为该差分后序列平稳。
表1 白噪声检验而对于白噪声的检验，我们由表1显示，在各阶延迟下LB检验统计量的P值在（a=0.1）的水平下，拒绝序列纯随机的原假设，我们可以断定城镇居民人均可支配收入的1阶差分后的序列属于非白噪声序列。
结合前面平稳性的检验结果，可以说明该序列为平稳非白噪声序列。
4.2模型的定阶与拟合为了确定模型的阶数，我们还需要考虑偏自相关图（图5）。
图5偏自相关图偏自相关图显示，除了延迟1阶的偏西相关系数显著大于2倍标准差之外，其他阶数的偏自相关系数都比较小。
根据自相关图和偏相关图的特点，我们来进行模型的定阶。
由于偏相关图中只有延迟1阶的偏相关系数显著大于2倍标准差，所以拟合定阶模型AR(1)，并剔除了常数项，（见表2）。
表2 未知参数估计表由上表可知，t 统计量的P 值小于非常小（<0.001），所以AR （1）非常显著。
综合考虑前面的差分运算，实际上对该数列拟合的模型ARIMA （1,1,0）。
由此结合表3可知，表3 拟合模型的具体形式由此结合表3可知，我们得到城镇居民人均可支配收入的拟合模型：()t tBx B ε75705.0111-=- （4）4.3模型的检验表4残差白噪声检验残差检验结果表示，在显著性检验a=0.05的水平下，检验统计量P 均大于0.05.这表明残差序列可以视为白噪声序列。
该ARIMA （1,1,0）模型对该序列建模成功。
4.5模型的预测于是我们运用SAS 程序利用上述ARIMA 模型预测了城镇居民人均未来4年的可支配收入（如表5）所示。
并将其中2013—2015的预测数据与检验集这三年的实际数据相比较，（如表6）所示。
表5 2013—2015年城镇居民人均可支配收入预测值表6 经过转换后2013—2015年的预测值：通过表7我们发现真实值与预测值十分接近，这表明我们所建模型有较好的效果，可以用来预测。
于是我们得到了2016年城镇居民人均的可支配收入为29284.77元。
五、结论预测城镇居民的人均可支配收入，不仅能够清楚掌握我国经济发展情况而且还有助于了解居民的生活水平和质量，据此为政府部门提供制定相关惠民政策的参考]1[。
本文通过对1980—2015年我国城镇居民人均可支配收入的数据进行分析，采用ARIMA（1,1,0）模型对城镇居民可支配收入进行了预测。
通过对检验数据的拟合，ARIMA（1,1,0）模型能够提供较好预测，并最终预测2016年城镇居民人均的可支配收入为29284.77元。
此外，我们发现城镇居民的人均可支配收入呈现稳健的递增趋势，这表明国内经济发展良好，居民生活质量高，国家出台的相关促进经济增长的政策得到了一定成果。
参考文献[1]蒋琴莉.我国城镇居民家庭人均可支配收入的分析及预测—基于ARIMA模型［J］.[2]游中胜,张珣．基于GM（1,1）模型的城镇居民人均可支配收入预测—以重庆市城镇居民家庭为例[J]．重庆师范大学学报.[3]王振寰,杨堰琨,张峰．ARIMA模型在城镇居民家庭收入的应用[J]．内蒙古农业大学学报.[4]王燕．应用时间序列[M]．北京：中国人民大学出版社.附录data a;input x@@;date=intnx('year','1jan1980'd,_n_-1); format date year;cards;343.4477.6739.11510.21700.62026.62577.43496.24283.04838.95160.35425.15854.06280.06859.67702.88472.29421.610493.011759.513785.815780.817174.719109.4;proc gplot data=a;symbol1v=star c=red i=join;plot x*date=1;run;data b;set a;lx=log(x);dif1=dif(lx);run;proc gplot data=b;symbol2v=star c=red i=join;plot lx*date=2 dif;run;proc gplot data=b;symbol3v=star c=red i=join;plot dif1*date=3;run;proc arima data=b;identify var=lx nlag=6;run;identify var=lx(1) nlag=6;run;estimate p=5noint;run;forecast lead=4id=date out=c; data c;set c;y=exp(lx);l95=exp(l95);u95=exp(u95);forecast=exp(forecast+std*std/2); run;proc print data=c;var date forecast;where date>='1jan1980'd;run;。
