基于X-11-ARIMA方法的取暖油价格季节性波动分析

本文详细介绍和分析X-11-AR IMA季节调整方法,为进一步研究和应用季节调整方法提供有益的探索。利用X-11-AR IMA方法分析国际取暖油价季节性波动,探讨油价运动规律,为我国进口石油提供决策支持。

x-11-ARIMA过程在痢疾疫情预测中的应用研究

目的探寻江苏省痢疾疫情的季节分布规律,为及时采取预防措施提供理论依据。方法应用x-11-ARIMA过程分析江苏省2000年至2012年的痢疾月度数据,采用SAS软件将时间序列数据拆分成长期趋势起伏T,季节波动S,不规则波动I三个部分。结果痢疾发病带有一定季节性,每年重复进行,趋势大体相同;每年的7、8月份为痢疾高发期,12月至次年的3月份处于发病低谷期;2000-2005年季节因子波动振幅较大,而后随时间推移有减弱的趋势。结论痢疾的发生比较稳定,x-11-ARIMA模型分析其季节分布规律有较好的科学性和实用性。

基于X-11-ARIMA模型在GNSS定位数据后处理的应用

定位数据分析及后处理是卫星导航定位系统在测绘和地灾监测应用中的关键环节.通常,在卡尔曼滤波处理定位数据后得到的平滑数据,能够剔除噪声干扰得到贴近真值的数据.但在长时间跨度的情况下,周期性发生的干扰难以在短时间内被识别和滤除,从而反映为一种频率较低的噪声波动.假设该波动干扰存在周期性,以X-11分解时间序列分析方法进行数据处理,平滑后定位数据的方差从4.733减小至2.683,精度提高了43.3%.并对拆分数据进行差分自回归移动平均模型(ARIMA)建模预测.还原数据对比直接预测数据的分析结果表明:拆分后分别预测再整合还原精度高于直接预测5%~10%,可以应对平滑处理实时性差的问题.

基于X-12-ARIMA模型的山东省进出口贸易额研究

外贸平稳健康发展对经济高质量增长起到重要的支撑作用。为充分研究山东省外贸运行特征,采用X-12-ARIMA模型对山东省2014年1月至2023年11月的外贸进出口数据进行季节调整分析。结果表明:山东省进出口贸易额受固定季节、移动假日(如春节)等效应的影响显著,其中春节节后效应最大,序列经季节调整后更加平滑,能较好地反映进出口贸易额的基本走势。

X-11-ARIMA模型在麻疹疫情预测中的应用研究

探讨X-11-ARIMA方法在我国麻疹疫情的季节波动分析和短期预测中的应用,为及时采取预防措施提供理论依据.基于2004-2015年我国麻疹月发病人数数据,运用ARIMA乘积季节模型分析麻疹流行趋势并进行短期预测,运用X-11方法分析其季节波动和长期趋势.麻疹月发病人数带有稳定的季节效应,每年的4、5月份为麻疹高发期,9月至11月处于发病低谷期.X-11-ARIMA可用于麻疹发病的季节波动分析和短期预测.

Prophet-X-12-ARIMA组合模型及交通运输量预测

由于受到经济社会因素的影响,交通运输量数据具有趋势多变及季节性明显的复杂特征。现有的预测模型,如X-12-ARIMA模型、ARIMA模型和Prophet模型等的预测准确性有待改进。文章构建Prophet-X-12-ARIMA组合模型,综合了Prophet模型灵活拟合趋势成分的优势以及X-12-ARIMA模型能准确分解出季节成分的优点。采用该模型预测某城市的七种交通运输量序列,结果显示Prophet-X-12-ARIMA组合模型的半年度和年度预测效果明显优于Prophet模型、X-12-ARIMA模型及ARIMA模型。进一步研究发现,当原始序列趋势变化剧烈时,Prophet-X-12-ARIMA组合模型的预测效果更优。

基于X-12-ARIMA模型的我国网上零售季节性特征研究

随着信息技术不断进步,数字经济时代已然到来,数字化和消费升级成为消费市场的增强引擎,网络零售对消费市场拉动作用日益增强。本文利用X-12-ARIMA分析了我国网上零售的季节性特征,在此基础上进行了预测分析,以期为网上零售规模预测提供优化思路,并为保障供给、满足需求、刺激消费提供参考。

中国粮食价格波动特征研究——基于X-12-ARIMA模型和ARCH类模型

以小麦和大豆为例,研究2002年1月至2012年6月中国粮食价格波动特征。首先利用X-12-ARIMA模型对价格序列进行季节调整,然后运用ARCH类模型对剥离季节因素的价格序列进行波动分析。结果发现:中国粮食价格季节性波动逐年减弱;粮食价格具有明显的波动集簇性,前期价格波动和外部冲击对后期价格的影响具有持续性;粮食市场不存在"高风险、高回报"特征;小麦价格波动的非对称性不显著,而大豆价格波动则呈现明显的非对称特征,且上期价格上涨信息引发的波动要大于下跌信息。

上海入境旅游市场的季节特征、波动周期与发展趋势——基于X-12-ARIMA和HP滤波法

旅游客源市场具有月度和季节波动特征，且对地区旅游业持续发展有重要影响。以上海2004—2015年（香港、澳门、台湾及国外）入境游客月度数据为分析依据，基于X-12-ARIMA模型对上海入境旅游市场的季节因素、不规则因素及趋势循环因素给予分解与研究，并运用HP滤波法分析了上海4类入境旅游市场的波动周期与发展趋势。结果表明：（1）上海入境客源市场均受干湿、冷热等季节因素影响，且影响大小依次为澳门〉香港〉外国〉台湾；（2）各类型旅沪市场的季节形态存在差异，外国市场呈“两峰两谷”的变化形态，港、台市场则呈“三峰三谷”的季节特征，而澳门市场峰谷较多，呈“四峰四谷”的波动态势。（3）上海入境市场受不规则因素大小影响依次为澳门〉香港〉台湾〉外国，且对2003年“非典”、2008～2009年金融危机、2010年“世博”等不规则事件表现具有差异。（4）港、澳、台与外国旅沪市场在2004～2015年均可分为12个月度小周期，且4类入境市场总体呈波动上升的发展趋势。在此基础上，本文从旅游产品体系、危机管理体制、客源市场营销等维度提出缓解上海入境旅游季节性矛盾，增强偶发性事件应对能力的相关策略。

基于X-12-ARIMA模型的中国粮食消费价格运行

粮食价格与人们的实际生活成本和收入水平息息相关,甚至影响整个国民经济的发展。文章用X-12-AR IMA季节调整模型对中国1997年1月至2009年12月的粮食消费价格月度定基指数进行分解,并得到趋势循环、季节和不规则因素;通过所得异常值和趋势对我国粮食价格发展阶段进行科学划分;通过分解后的季节因素分析其季节特征,并探究它们的深层成因。结果表明:模型具有非常好的分解效果;粮价有明显的趋势和季节运行特征;粮食价格波动成因很好地解释其运行特征。文章为把握我国粮食价格运行、制定相关政策提供科学依据。

基于改进X-12-ARIMA的电煤需求预测模型与实证研究

考虑中国春节、端午、中秋等移动假日效应,对美国人口普查局开发的X-12-ARIMA模型进行了改进和实证分析。结果表明,中国电煤消费量具有显著的季节性特征,每年11—12月为消费最高峰,7—8月为消费小高峰;基于改进X-12-ARIMA模型对2013年1、2和3月份的电煤需求预测精度分别为96.6%、95.1%和93.7%,具有较好的短期预测能力。

基于X-12-ARIMA和AR-GARCH模型的房价波动研究

以SAS软件为工具,以2007年1月至2015年6月北京市新建住宅价格指数序列为样本,构建时间序列模型进行实证研究.结果表明,基于X-12-ARIMA模型和AR（2）-GARCH（1,1）模型的复合模型是拟合房价的最优模型.房价序列存在明显的季节特征和典型的波动聚集性,X-12季节调整方法和异方差模型显著有效,拟合相对误差不超过0.4%.对房价的短期预测表明,近期内房价仍保持3%~5%的增长态势,且外部因素对房价的影响程度远远大于房价自身的波动冲击力.

X-12-ARIMA方法的SAS程序实现及应用

本文介绍了利用SAS系统实现X-12-ARIMA季节调整方法的具体过程,并应用该方法对中国入境旅游外汇收入序列进行了季节调整分析。

基于X-12-ARIMA方法的武汉市空气污染指数波动分析

空气污染指数(API)用于表征区域空气污染程度和质量状况,其变动存在长期趋势、季节效应及随机扰动效应等特征。为探索API的波动规律,以武汉市2001—2012年API为例,进行X-12-ARIMA季节调整方法下的API演变趋势及内在规律探究。结果表明:在研究期内,武汉市API的变化受趋势成分的影响作用为85.2%;API月度及季节性变化显著;冬、春季节空气质量较差且变化不规则。最后,依据研究结果为武汉市空气环境质量的改善提出了建议。

基于X-12-ARIMA的全社会固定资产投资预测

全社会固定资产投资完成额作为经济社会中的一项重要指标,深刻反映了固定资产投资规模、结构和发展速度,是观察工程进度和考核经济效益的重要依据。本文运用X-12-ARIMA季节调整模型对固定资产投资完成额月度序列数据进行分析,检测异常值及日历效应,根据X-11经典算法求出调整后序列的季节因子,趋势项以及不规则变动项。最后,对固定资产投资完成额进行预测,结合固定资产投资与经济增长的关系,预测经济的发展态势,并提出相关的决策建议以促进经济增长。

基于x-11法的时间序列的预报方法

针对具有周期性的非平稳时序 ,提出了基于x - 1 1法的预报方法 .最后给出了该方法的应用实例 ,并与传统ARIMA法进行了比较 .

Holt-Winters模型与X-11模型在预测中的比较研究

以实际数据为例,对一时间序列分别建立Holt-Winters模型与X-11模型并进行预测。从而对这两种统计模型进行比较研究,得出对于既有趋势又有季节性的时间序列进行预测X-11模型优于Holt-Winters模型。

季节性时序模型X-11方法及其应用研究

本文对X-11方法作了分析,利用这些分析结果,可以对其他的季节性时间序列进行分析预测。对用X-11进行预测的方法进行了分析,并提出了补充两端数据进行预测的方法,通过实例说明,这种预测方法精度较高。

X-11方法在某医院肾脏病科门诊量预测中的应用

目的探讨X-11方法在某医院肾脏病科门诊量统计预测中的应用。方法收集某院2012—2014年各季度门诊量,利用SAS 9.1.3软件的X11过程,运用X-11方法对数据进行分析,分离季节因子,探索趋势拟合值与时间之间的关系,拟合回归方程,预测2015年一至四季度的门诊量。结果发现趋势拟合值与时间之间存在曲线关系,预测模型为Tt=15 600+5 000/1+e4.94-0.82t,2015年一至四季度的门诊量分别为20 471、21 636、21 329、18 933。结论 X-11方法能够将季节因素分离,发现不同时间数据序列的趋势,因此预测结果值得应用。

X-12-ARIMA方法的SAS程序实现

X-12-ARIMA方法是以X-11项目以及X-11-ARIMA88(D)方法为基础的季节调整方法,具有广泛的实际应用价值。本文介绍了利用SAS系统实现该方法的具体过程,弥补了国内教材的不足。