基于贝叶斯结构时间序列模型的海南省人口预测研究

通过分析2003—2022年的人口数据,深入了解海南省的人口现状,并预测常住人口总量。数据源于《海南省统计年鉴》,采用折线图、人口金字塔图等对海南省2003—2022年人口现状进行描述,并应用贝叶斯结构时间序列模型对未来三年的常住人口数进行预测。经过分析和预测,结果显示,贝叶斯结构时间序列模型的均方根误差为2.914、平均绝对百分比误差为0.002<10、决定系数为0.986。2023—2025年海南省常住人口总数分别为1042.34万人、1054.56万人、1066.76万人。说明贝叶斯结构时间序列模型应用于海南省常住人口预测的效果较好,海南省常住人口数量仍会持续缓慢上升。

基于贝叶斯结构时间序列模型评估我国梅毒流行趋势

目的探讨贝叶斯结构时间序列(BSTS)模型在预测我国梅毒流行趋势中的应用价值。方法收集2005年1月至2022年8月我国梅毒发病数据,采用Eviews10软件解析梅毒月发病数据中的趋势和季节组分;采用RStudio软件构建模型,其中2005年1月至2021年12月的数据作为训练集拟合BSTS模型,2022年1—8月数据作为测试集验证模型的预测效果,并将其预测准确性与求和自回归滑动平均混合(ARIMA)模型进行比较。所有统计学分析检验水准指定为α=0.05。结果我国梅毒发病总体呈上升态势,具有周期性和季节性,每年1—2月为低谷,7—8月为高峰。在训练和测试集上,BSTS模型产生的平均绝对百分比误差(分别为4.95%和5.73%)均小于ARIMA模型(分别为5.44%和6.52%);同样也发现,BSTS模型产生的平均绝对误差、均方根误差和均方根百分比误差均小于ARIMA模型。稳健性结果表明了同样的结果。基于BSTS模型预测的2022年9月至2023年12月我国梅毒发病总数为719600[95%置信区间(CI):605295~826086]例,月均发病数为44975(95%CI:37831~51631)例。结论我国梅毒是一种季节性疾病,发病仍处于高水平;BSTS模型能准确评估我国梅毒动态流行趋势,可为梅毒精准防控提供技术支撑。

结构时间序列模型在经济预测方面的应用研究

本文开发了一种新的经济时间序列预测方法———利用结构时间序列模型进行预测。在结构时间序列模型中由经济指标分解得到的趋势、循环、季节及不规则因素是不可观测的变量,不能利用传统的回归分析方法求解模型,因此,本文采用状态空间方法来求解结构时间序列模型。本文通过ARIMA模型来研究经济时间序列的结构,在此基础上建立了不同形式的结构时间序列模型,并利用结构时间序列模型对我国社会消费品零售总额、狭义货币供给量(M1)和国内生产总值(GDP)等经济时间序列进行了预测。实证研究表明,结构时间序列模型具有良好的预测效果,从而为经济时间序列预测提供了一种新的有效方法。

结构时间序列模型在季节调整方面的应用——与X-12季节调整方法的比较分析

建立一种基于结构时间序列模型的新的时间序列季节调整方法.首先,利用ARIMA模型研究时间序列的结构,根据序列的单整阶数(d)建立趋势循环分量的表达式,并在此基础上构建不同形式的结构时间序列模型.在结构时间序列模型中,针对经济指标分解得到的趋势、循环、季节及不规则因素是不可观测的变量,不能利用回归分析方法求解模型,因此,采用状态空间形式来求解模型.最后,利用结构时间序列模型对我国国内生产总值(GDP)和社会消费品零售总额等宏观经济时间序列进行了季节调整,并与目前广泛使用的X-12季节调整方法进行对比分析,实证结果表明,基于结构时间序列模型的季节调整方法具有相对较强的稳定性.

基于结构时间序列模型的季节调整方法研究

一、季节调整的重要意义 月度或季度经济时间序列一般可分解为四种变动要素,即长期趋势要素T,循环要素C,季节变动要素S和不规则要素I。季节变动要素和循环要素的区别在于,季节变动要素是每年重复出现的周期变动,是由温度、降雨、年内的月份、假期、政策等引起的,而循环要素是间距比较长且不固定的一种周期性波动,它代表景气波动。经济时间序列分解模型也称为结构时间序列模型。依据时间序列的四个构成要素在模型中的相互关系,可以表现出多种不同的形式,一般而言,基本的分解模型为加法模型和乘法模型。设经济时间序列为{y1}。

基于时间序列分析的工业控制以太网流量异常检测

为提高工业网络中异常流量的检测精度,提出了基于结构时间序列分析的流量异常检测方案,将工业以太网流量分解成不同组分,并辅以状态空间模型,将复杂的网络流量进行分层建模,从而有效提高了工业网络异常流量检测精度,降低了误报率.与传统的X-12结构时间序列分析法相比,其平均精度上升38%,所以本文方法对于异常检测系统的效率改善明显.

季节调整方法综述及比较

Seasonal adjustment has been widely used in statistic analyses.Nowadays,the research on seasonal adjustment methods mainly concentrates on X-11,X-12 etc in China,lacking the whole understanding of foreign seasonal adjustment methods,and the latest progress of seasonal adjustment methods has been less introduced.In this article,various seasonal adjustment methods were introduced,and a comparison of their characteristics and applications was made.It is helpful that statistical organizations can develop appropriate seasonal adjustment methods,concerning different kinds of data.

季节调整方法在中国的发展与应用

随着我国社会主义市场化经济程度的不断提高,人们逐渐开始使用环比数据监控宏观经济重要指标,而环比数据质量的好坏取决于对季节调整方法的了解与掌握程度。在简要介绍了季节调整方法及相应软件的发展现状之后,本文对季节调整研究在我国的发展与应用状况进行了总结。在季节调整发展部分,文章主要介绍了中国人民银行PBC版X-12-ARIMA季节调整软件和国家统计局版NBS-SA季节调整软件的特点;在季节调整应用部分,则分别以春节效应和结构时间序列模型为主线对我国季节调整文献进行了梳理。最后在小结部分,本文给出了一些建设性意见。