《关于某入境旅游人数地时间序列分析报告》由会员分享，可在线阅读，更多相关《关于某入境旅游人数地时间序列分析报告（25页珍藏版）》请在金锄头文库上搜索。
1、word关于入境旅游人数的时间序列分析专业：统计学 某某：佟虹生 指导教师：汪小英摘要大众旅游时代的到来，使旅游日益成为现代人类社会主要的生活方式和社会经济活动，旅游业以其强劲的势头成为全球经济产业中最具活力的“某某产业。随着社会生产力不断开展，劳动生产率不断提高，以与人们生活水平的迅速提高和带薪假期的增加，旅游业将持续高速度开展，成为世界最重要的经济部门之一。中国同样如此，有数据统计2014年全国旅游与相关产业增加值占国内生产总值的比重为4.33%。众所周知旅游业是一个存在显著季节效应的行业，如果能对旅游业的客流量作出准确的预测，将会有利于商家更好的把握商机。本文选取入境旅游的客流量作为时间
2、序列，将简单地分析该序列的季节效应，并对序列拟合ARIMA模型，并作出简单的预测。关键词：入境旅游；季节效应；时间序列；ARMIA；预测一、 引言旅游是在人的根本生活需求得到适度满足后的一种新的消费行为，一种带有浓厚文化内涵的群体活动。人们离开常住地到异国他乡访问的旅行和暂时停留所引起的各种现象和关系的总和。我国拥有丰富的旅游资源，疆域辽阔，既有风景秀丽的江南水乡，也有粗犷豪迈的西北风情；我国拥有悠久的历史文化，目前已经公布了99个国家级历史文化古城，长城、故宫、颐和园等已经被列入世界文化遗产名录；我国还是一个拥有多个民族的国家，各个民族的习俗和风情很容易使人产生很强烈的向往之情。所有这些，都
3、为我国旅游业的开展奠定了一个良好的根底，使得我国吸引了大量的入境游客。入境旅游是指他国居民前来我国的旅游活动，或者是指他国居民进入本国国境以内的旅游活动，入境旅游属于国际旅游。目前入境旅游已成为构成我国旅游业的重要组成局部。时间序列分析(Time series analysis)是一种动态数据处理的统计方法。该方法基于随机过程理论和数理统计学方法，研究随机数据序列所遵从的统计规律，以用于解决实际问题。因此本文将通过时间序列分析的方法来研究分析中国的入境旅游人数。二、研究方法差分运算具有强大确实定性信息提取能力，许多非平稳序列差分后会显示出平稳序列的性质，这是我们成这个非平稳序列为差分平稳序列。
4、对差分平稳序列可以使用ARIMA模型进展拟合。具有如下结构的模型称为求和自回归移动平均autoregressive integrated moving average，简记为ARIMA(p，d，q)模型：式中，；，为平稳可逆ARMAp，q模型的自回归系数多项式；，为可逆ARMAp，q模型的移动平滑系数多项式。ARIMAp，d，q模型是指d阶差分后自相关最高阶数为p，移动平均最高阶数为q的模型，通常它包含了个独立的未知系数：。如果该模型中有局部自相关系数或局部移动平滑系数为零，即原ARIMAp，d，q模型中有局部系数省缺了，那么该模型称为疏系数模型。疏系数模型一般形式为式中，为非零自相关系数的阶
5、数，为非零移动平滑系数的阶数。在实际操作中，疏系数模型时有应用。ARIMA模型可以对具有季节效应的序列建模。根据季节效应提取的难易程度，可以分为简单季节模型和乘积季节模型。简单季节模型是指序列中的季节效应和其他效应之间是加法关系，即式中，代表序列的长期趋势波动；代表序列的季节性周期性变化；代表随机波动。这时，各种效应信息的提取都非常容易。通常简单的周期步长差分即可将序列中的季节信息提取充分，简单的低阶差分即可将趋势信息提取充分，提取完季节信息和趋势信息之后的序列就是一个平稳序列，可以用ARMA模型拟合。所以简单季节模型实际上就是通过趋势差分、季节差分将序列转换为平稳序列，再对其进展拟合。它的模
6、型结构通常如下：式中，（1） D为周期步长，d为提取趋势信息所用的差分阶数。（2） 为白噪声序列，且。（3） ，为q阶移动平均系数多项式。（4） ，为p阶自回归系数多项式。但更为常见的情况是，序列的季节效应、长期趋势和随机波动之间有着复杂德尔交互影响关系，简单的ARIMA模型并不足以提取其中的相关关系，这时通常需要采用乘积季节模型。乘积模型的构造原理如下：当序列具有短期相关性时，通常可以使用低阶ARMAp，q模型提取。当序列具有季节效应，季节效应本身还具有相关性时，季节相关性可以使用以周期为步长单位的ARMAP，Q模型提取。由于短期相关性和季节效应之间具有乘积关系，所以拟合模型实质为ARMAp
7、，q和ARMAP，Q的乘积。综合前面的d阶趋势差分和D阶以周期S为步长的季节差分运算，对原观察值序列拟合的乘积模型完整的结构如下：式中，该乘积模型简记为。三、对中国入境旅游人数的实证研究本文实证研究所选取的数据是中国入境旅游人数，数据频率为月度，客流量单位为万人，时间跨度从2001年1月至2015年12月，共计180个数据，来源于中经网统计数据库。 原始序列时序图首先画出原始序列的的时序图，进展观察，并结合单位根检验判断它的平稳性，图3.1为原始序列的时序图，表3.1为原始序列的3阶单位根检验结果。表3.1 原始序列3阶单位根检验结果增广 Dickey-Fuller 单位根检验类型滞后RhoP
8、r RhoTauPr F零均值0123单均值0123趋势0.0001123从时序图中可以观察到这是一个典型的有着上升趋势的非平稳序列，同时单位根检验也印证了我们的判断，从2阶开始p值大于0.05说明原始序列非平稳。同时从时序图中，我们还可以观察到原始序列在上升趋势的同时，还具备明显的周期性，周期长度为12，与常识的认知相符合。所以接下来要考虑对原始序列进展1阶12步差分处理，1阶差分去除原始序列的趋势，1阶差分后的序列进展12步差分提取差分后序列的季节信息即周期性。图3.2 差分后序列的时序图我们对1阶12步差分以后的序列进展平稳性和白噪声检验，图3.2为差分后序列的时序图，表3.2为差分后序
9、列的3阶单位根检验结果，表3.3为差分后序列的白噪声检验结果。表3.2 差分后序列的3阶单位根检验结果增广 Dickey-Fuller 单位根检验类型滞后RhoPr RhoTauPr F零均值0.00011.00012.00013.0001单均值0.00011.00012.00013.0001趋势0.00011.00012.00013 卡方自相关661212.00011818.00012424 卡方自相关641210 MA1,2,12的残差白噪声检验结果残差的自相关检查至滞后卡方自由度Pr 卡方自相关63129表3.6 ARMA1,12，1,2,12的残差白噪声检验结果残差的自相关检查至滞后卡
10、方自由度Pr 卡方自相关61127从以上模型残差的检验结果可以看出，三种模型的残差在滞后6阶的白噪声检验中p值都小于0.05，都不能通过，说明残差在短期还有信息没有提取完全，所以模型拟合效果均不理想。考虑到该序列既具有短期相关性又具有季节效应，而且短期相关性和季节效应使用加法模型无法充分、有效提取，可以认为该序列的季节效应和短期相关性之间具有复杂的关联性。这时，假定短期相关性和季节效应之间具有乘积关系，尝试使用乘积模型来拟合序列的开展。还是观察1阶12步差分之后序列的自相关系数和偏自相关系数图，两者显示12阶以内的自相关系数和偏自相关系数均不截尾，所以尝试使用ARMA1,1模型提取差分后序列的短期自相关信息。在考虑季节自相关特征，这时考察延迟12阶、24阶等以周期长度为单位的自相关系数和偏自相关系数的特征，自相关系数图图3.3显示延迟12阶自相关系数显著非零，但是延迟24阶自相关系数落入2倍标准差X围。而偏自相关系数图图3.4显示延迟12阶和延迟24阶的偏自相关系数都显著非零。所以可以认为季节自相关特征是自相关系数截尾，偏自相关系数拖尾，这时以12步为周期的ARMA0,112模型提取差分后序列的季节自相关信息。综合前面的差分信息，要拟合的乘积模型为ARIMA1,1,10,1,112表3.7为该模型条件最小二乘下的参数估计。表3.8 参数估计条件最小二乘估计参数估计标
