论文部分内容阅读
CPI是国际上最为流行的观察通货膨胀的指标,维持CPI的稳定也是社会经济的目标之一。提前预测CPI,不仅对我国经济的发展趋势具有一定的指向性,而且对通货膨胀起到预警作用。本文应用时间序列模型和模糊神经网络组合模型对我国CPI进行了预测研究,主要内容如下: 1.将我国月度CPI和PPI序列作为内生变量建立VAR模型,在稳定模型的基础上进行了CPl拟合和预测。实证结果表明,VAR模型的预测效果不是很好,有待进一步改进。 2.在建立的VAR模型的基础上,分析月度CPI和PPI的传导关系,进行Granger因果关系检验、脉冲响应函数分析和Johansen协整检验。实证分析结果表明,我国月度 CPI与PPI之间存在着一定的因果关系和协整关系;月度CPI和PPI受到自身和对方的冲击都存在时滞,CPI受到PPI的冲击效应的时滞是16个月,PPI受到CPI的冲击效应的时滞是12个月。 3.将我国月度PPI作为外生变量建立加外生变量的半参数自回归模型。首先,在已经平稳化的数据的基础上,进行模型滞后阶数、带宽的确定及模型参数的估计;然后,进行白噪声检验;最后,进行月度CPI拟合和预测。实证结果表明,模型预测效果校VAR模型有了一定的提高。 4.采用VAR模型和加外生变量半参数自回归模型对CPI,的预测值和拟合值,建立T-S模糊神经网络组合模型。首先,进行数据的归一化和模糊化处理;然后,根据模糊神经网络的学习算法进行数据训练,利用确定的隶属度函数对网络进行预测,对预测数据进行反归一化和反模糊化后输出数据;最后,比较三种模型的预测效果。实证结果表明,T-S模糊神经网络组合模型较两种单模型预测精度有了一定的提高,且该模型的非线性逼近能力强、训练速度快和算法稳定,是一种行之有效的预测方法。