全文链接：http://tecdat.cn/?p=27784

河源市是国务院1988年1月7日批准设立的地级市，为了深入研究河源市公路交通与经济倒退的关系，本文选取了1988－2014年河源市建市以来24年的地区生产总值（GDP）和公路通车里程（GL）的工夫序列数据，其中公路通车里程（GL）用来反映河源市公路交通倒退情况，地区生产总值（GDP）反映河源市的经济增长情况。为了消取数据的异方差，将原始数据取对数，别离记做LogGDP和LogGL，数据见表，采纳ADF法对LogGDP和LogGL的平稳性进行单位根测验。

首先，对1988－2014年河源市24年的LogGDP和LogGL工夫序列进行ADF单位根测验，单位根测验后果如表：

t值和p值是等效的，p值要求小于给定的显著程度，越小越好，小于0.05.等于0是最好的。结果显示，LogGDP和LogGL的ADF值别离为-3.160130和-1.895105，均大于程度值，阐明承受原假如，LogGDP和LogGL序列存在单位根，为非安稳序列。因而，须要对LogGDP和LogGL序列持续第二步测验，即对LogGDP和LogGL的一阶差分进行测验，后果如表 ：

结果显示，LogGDP和LogGL通过一阶差分测验，失去一阶差分序列D（LogGDP）和D（LogGL）的p值别离为0.0046和 0.0000，均小于0.05的显著值。因为D（LogGDP）和D（LogGL）都是单整序列，且单整阶数雷同，均为I（1），所以LogGDP和LogGL两序列之间可能存在协整关系。 

GDP与公路交通里程GL协整性测验 

 由序列的平稳性测验后果可知，河源市地区生产总值GDP和公里通车里程GL在1988－2014年这个工夫序列中可能存在协整关系，协整测验的办法有Engle Granger两步法和Johansen极大似然法前者适宜对两变量的模型进行协整测验后者适宜在多变量的VAR模型中进行测验。

 

利用engle和granger提出的两步检验法： 

首先建设OLS回归模型，后果为 

首先建设模型：y=ax+c+e，后果为loggdp= 2.332247*loggl + -7.210750

由ADF单位根测验后果能够看出上述变量是一阶安稳的合乎granger因果关系测验的条件．现对各变量之间进行granger因果关系测验以确定它们之间的相互影响关系．取滞后阶数为2阶。

granger因果测验：

从后果可知回绝loggl不能granger loggdp的假如，即loggl granger引起loggdp；然而不能回绝loggdp不能granger引起loggl，即承受loggdp不能granger引起loggl。

同时，对方程的残差进行ADF测验后果能够看出残差序列不是安稳的，因而loggdp和loggl之间不存在协整关系。

建设VAR模型 

利用Eviews计量经济剖析软件，本文对logGDP、loggl变量建设VAR(1)模型，对于VAR模型滞后阶数的抉择，失去如表所列的5个评估指标，且5个指标均认为1阶正当即建设VAR(1)模型。

同时，有两类回归统计量呈现在VAR对象预计输入的底部：

输入的第一局部的规范OLS回归统计量。依据各自的残差别离计算每个方程的后果，并显示在对应的列中。

输入的第二局部是VAR模型的回归统计量。

即协整方程式是：

LOGGDP=1.36534925116*LOGGDP(-1)-0.326349983643*LOGGDP(-2)+0.139864325278*LOGGL(-1)-0.239810823184*LOGGL(-2)+0.44758535991

 能够看到VAR模型的所有根模的倒数都小于1，即都在单位圆内，则该模型是稳固的。能够对VAR模型进行一个标准差的脉冲响应函数剖析。

脉冲响应函数是用来掂量随机扰动项的一个标准差冲击对其余变量以后与将来取值的影响轨迹它可能比拟直观地刻画变量之间的动静交互作用。

本文持续利用方差合成技术剖析经济增长速度、交通量增长之间的互相贡献率。进行方差合成示意图。

各变量对经济增长速度的贡献率。

实证测验

为了检验所建设交通量VAR预测模型的成果，用EVIEWS软件对loggdp历史数据仿真，失去如下预测模型。

loggdp  = @coef(1) loggdp(-1)  + @coef(2) loggdp(-2)  + @coef(3) loggl(-1)  + @coef(4) loggl(-2)  + @coef(5)

  @coef(1) =  1.3653493

  @coef(2) = -0.3263500

  @coef(3) =  0.1398643

  @coef(4) = -0.2398108

  @coef(5) =  0.4475854

用VAR办法建设的GDP预测模型预测精度较高，成果较好。此外，能够失去如下的比拟图：

    同时，对loggl历史数据仿真，失去如下预测模型。

loggl  = @coef(1) loggdp(-1)  + @coef(2) loggdp(-2)  + @coef(3) loggl(-1)  + @coef(4) loggl(-2)  + @coef(5)

  @coef(1) =  0.9502916

  @coef(2) = -0.8089714

  @coef(3) =  0.5952874

  @coef(4) = -0.0153147

  @coef(5) =  1.7812591

    以及历年loggl预测值、loggl理论值。

采纳VAR办法建设的GDP预测模型有一个显著长处，即它不必对当期的GDP或其余变量作出预测，只用历史的GDP和交通量数据，就能够对GDP做出比拟精确的预测，因为缩小两头变量预测的传递，相应进步了模型预测精度。

 

最受欢迎的见解

1.在python中应用lstm和pytorch进行工夫序列预测

2.python中利用长短期记忆模型lstm进行工夫序列预测剖析

3.Python用RNN循环神经网络：LSTM长期记忆、GRU门循环单元、回归和ARIMA对COVID-19新冠疫情新增人数工夫序列

4.Python TensorFlow循环神经网络RNN-LSTM神经网络预测股票市场价格工夫序列和MSE评估准确性

5.r语言copulas和金融工夫序列案例

6.R 语言用RNN循环神经网络 、LSTM长短期记忆网络实现工夫序列长期利率预测

7.Matlab创立向量自回归（VAR）模型剖析消费者价格指数 (CPI) 和失业率工夫序列 和失业率工夫序列")

8.r语言k-shape工夫序列聚类办法对股票价格工夫序列聚类

9.R语言联合新冠疫情COVID-19股票价格预测：ARIMA，KNN和神经网络工夫序列剖析