(t是年数 t＝1980，1981…… )
表中红色的曲线是历年的实际数据的连线，绿色的曲线是通过线性回归得到的拟合曲线，蓝色的曲线是残差，实际和过滤后的图。接下来的这张图是一些统计平均值
Dependent Variable: TH
Method: Least Squares
Date: 07/15/07 Time: 10:44
Sample: 1980 2003
Included observations: 24
Variable Coefficient Std. Error t-Statistic Prob.
C -10424.68 361.3496 -28.84929 0.0000
T 5.320870 0.181445 29.32500 0.0000
R-squared 0.975055 Mean dependent var 171.8333
Adjusted R-squared 0.973922 S.D. dependent var 38.10246
S.E. of regression 6.153094 Akaike info criterion 6.551442
Sum squared resid 832.9325 Schwarz criterion 6.649614
Log likelihood -76.61731 F-statistic 859.9555
Durbin-Watson stat 0.478201 Prob(F-statistic) 0.000000
从表中我们可以得出，F=859.9555 而概率P{F>859.9555}接近于零，所以不管取检验水平为α＝0．05还是α＝０．１都说明回归是显著的。回归得到的复相关系数为R-squared＝0.975055十分接近以1，所以y 和t之间的现行相关程度很强。综上所述，所以用一元线性回归得到 y 和t之间的关系是合理的。下面是我们预测得出的04—14年的通货膨胀指数
年度 预测指数
2004 238.3442
2005 243.6651
2006 248.9859
2007 254.3068
2008 259.6277
2009 264.9486
2010 270.2694
2011 275.5903
2012 280.9112
2013 286.2320
2014 291.5529
利用ARIMA模型，对2004－2014年度各个子公司需要的医疗保障金额进行预测。 首页 上一页 1 2 3 4 5 6 7 下一页 尾页 3/9/9
ARMA模型是一种单一时间序列预测模型，比较适合处理复杂时间序列的预测情况。如果一个平稳的序列，不仅和以前时刻的自身值有关，而且还与其以前时刻的扰动项存在一定的依存关系，那么对于这个序列，就可以建立p阶自回归和q阶移动平均模型，
