- 相關(guān)推薦
基于ＧＭＤＨ的成都市宏觀(guān)經(jīng)濟主要指標預測模型構建
[摘要] 本文利用自組織數據挖掘算法，探索使用Knowledge Miner 軟件對成都市宏觀(guān)經(jīng)濟主要指標建立預測模型，比較分析各模型的優(yōu)劣，并結合成都市經(jīng)濟數據深入分析。[關(guān)鍵詞] 自組織數據挖掘算法 知識挖掘 主要指標
一、引言
經(jīng)過(guò)長(cháng)期的發(fā)展, 宏觀(guān)經(jīng)濟預測研究在建立與使用定量預測模型和定性預測模型等諸多方面取得了長(cháng)足的進(jìn)步。由烏克蘭科學(xué)院A.G.Ivakhnenko首次提出的GMDH算法，兼具定性定量的研究特點(diǎn)，較好的剔除了個(gè)人主觀(guān)因素對指標的干擾，結合Knowledge Miner軟件能夠建立較優(yōu)的經(jīng)濟預測模型，
成都市的經(jīng)濟總量占全省的32%，人均年GDP名列中國西部省會(huì )第一，采用成都市的指標作為對象具有很強的說(shuō)服力。
二、GMDH自回歸模型介紹
數據分組處理方法（簡(jiǎn)稱(chēng) GMDH）是一種基于遺傳進(jìn)化的演化方法，它依據給定的準則從一系列候選模型集合中挑選較優(yōu)模型。GMDH算法通過(guò)遺傳變異和篩選，產(chǎn)生很多具有不斷增長(cháng)復雜度的候選模型，直至模型在觀(guān)測樣本數據上產(chǎn)生過(guò)擬合為止。該方法需要一定量的初始模型，這些初始模型(或稱(chēng)神經(jīng)元)可以通過(guò)微分或差分方程組，或者是它們的解來(lái)描述。
GMDH自回歸模型基于黑箱方法，從輸入輸出數據的樣本來(lái)分析系統，并通過(guò)基本函數網(wǎng)絡(luò )來(lái)描述復雜函數，因此很適合對周期性比較強的數據進(jìn)行預測，預測效果較好。
三、模型構建與比較分析
假設： X1—GDP，X2—財政收入，X3—財政支出，X4—社會(huì )消費品零售總額，X5—城市居民就業(yè)人口
為了增強可比性，均采用數據長(cháng)度29，其中檢驗集為1978年～2000年23年的原始數據，相關(guān)模型輸入變量個(gè)數34，訓練集為2001年～2006年的數據，最大時(shí)滯均為 6， 由Knowledge Miner軟件分別建立預測模型對比結果如表。數據來(lái)源于成都市2007年統計年鑒。
可見(jiàn)，以GDP（X1）為因變量的預測模型篩選出輸入變量財政收入（X2），社會(huì )消費品零售總額（X4），城市居民就業(yè)人口（X5），說(shuō)明，財政收入、社會(huì )消費品零售總額、城市居民就業(yè)人口在某種程度上影響著(zhù)GDP，而社會(huì )消費品零售總額、城市居民就業(yè)人口因為存在一定的線(xiàn)性關(guān)系導致X4、X5的系數為負。對于財政收入來(lái)說(shuō)，受到社會(huì )消費品零售總額和財政支出的影響，同時(shí)，從財政支出的預測模型來(lái)看財政收入，社會(huì )消費品零售總額又是財政支出的影響因素,本次指標體系的城市居民就業(yè)人口指標沒(méi)有受到其它指標的影響。
結合成都市宏觀(guān)經(jīng)濟的經(jīng)濟現狀，特別是針對成都市GDP來(lái)說(shuō)，GDP的計算包括了財政收入，社會(huì )消費品零售總額，而城市居民就業(yè)人口通過(guò)影響職工的工資收入同樣影響著(zhù)GDP的數據，可見(jiàn)通過(guò)Knowledge Miner可辨別指標之間某些內在聯(lián)系，實(shí)際可行。
對比兩種建模結果的PESS（預測誤差的平方和），有，X1（GDP），X2（財政收入），X3（財政支出），X4（社會(huì )消費品零售總額）四個(gè)指標都或多或少的受到其他指標的影響，而X5（城市居民就業(yè)人口）模型的內生變量不包含其他任何指標，針對相同的指標所建立的預測模型，對比可看出X1（GDP），X2（財政收入），X3（財政支出），X4（社會(huì )消費品零售總額）四個(gè)指標的單指標自回歸模型的PESS值明顯劣于相關(guān)自回歸模型，而對于不包含其他指標的X5（城市居民就業(yè)人口）則正好相反，由此可推出，使用knowledgeminer進(jìn)行經(jīng)濟預測時(shí)，先分析各指標間的相關(guān)性，再選擇相應的自組織數據挖掘算法效果更佳。
四、結術(shù)語(yǔ)
采用定性和定量分析相結合的方法對成都市宏觀(guān)經(jīng)濟主要指標建立預測模型后，本人發(fā)現使用knowledgeminer在進(jìn)行經(jīng)濟預測建模時(shí)，首先進(jìn)行相關(guān)自回歸建模，后再使用單指標自回歸模型，能夠有效的提高預測的準確度。
參考文獻：
賀昌政:自組織數據挖掘與經(jīng)濟預測[M].科學(xué)出版社，2005
畢業(yè)論文搜集整理：
【基于ＧＭＤＨ的成都市宏觀(guān)經(jīng)濟主要指標預測模型構建】相關(guān)文章：
基于灰色—回歸預測模型的鐵路客運量研究03-07
基于組合模型的防城港貨物吞吐量預測研究03-07
基于休閑限制理論女大學(xué)生體育休閑限制模型構建12-04
企業(yè)員工培訓模型構建03-20
品牌延伸量化模型構建12-08
電商物流的優(yōu)化模型構建11-25