《统计预测与决策课程论文-中国个体就业人口数.doc》由会员分享，可在线阅读，更多相关《统计预测与决策课程论文-中国个体就业人口数.doc（13页珍藏版）》请在金锄头文库上搜索。
1、各专业全套优秀毕业设计图纸统 计 预 测 和 决 策 课 程 论 文 -中国个体就业人口数学 院： 班 级： 学生姓名 ： 指导教师 ： 完成时间 ： 目 录摘要2一 绪论3二 数据来源3三 模型及预测方法的介绍4四 模型建立、求解及检验81.移动平均法预测82.指数平滑法预测93.一元线性回归预测 10五 分析与结论11六 参考文献12摘 要 “十二五”期间,我国劳动力总量供求矛盾不减,结构性矛盾更加突出,仍将面临较大的就业压力。这是人力资源和社会保障部就业促进司司长于法鸣日前透露的。于法鸣说,预计未来5年,我国平均每年需要解决2500万人就业,比“十一五”期间有所增加。而如果经济增速保持在
2、8%,每年能提供的岗位约为1200万个,存在较大的供需矛盾,未来5年应当把就业放在更加重要的位置上加以推动。目前,中国就业促进会正在进行深入研究,为决策制定提供依据。(文/白天亮据人民日报)未来5年每年需就业人口数约2500万。正十二五期间,我国劳动力总量供求矛盾不减,结构性矛盾更加突出,仍将面临较大的就业压力。这是人力资源和社会保障部就业促进司司长于法鸣日前透露的。 本论文通过收集全国2001-2013年的个体就业人员人口总数数据，并且分别采用移动平均法、指数平滑法、一元线性回归预测模型对全国未来五年的人口就业情况进行预测。通过建模求解我们可以预测到未来五年个体就业人口总数成上升趋势关键词：
3、移动平均法；指数平滑法；线性回归；excel一、绪论就业是民生之本，是人民改善生活的基本前提和基本途径。中国有近13亿人口，是世界上人口最多的国家。在中国，解决就业问题任务繁重、艰巨、紧迫。中国政府从亿万人民的根本利益出发，高度重视就业问题。中国政府依据中华人民共和国宪法，以及中华人民共和国劳动法等法律法规，保障劳动者的就业权利，采取各种政策措施积极促进就业，不断满足劳动者的就业需求。中国政府从国情出发，通过实践探索并借鉴国际经验，制定和实施了一系列积极的就业政策。目前，中国已建立起市场导向的就业机制，计划经济时期形成的企业富余人员问题基本得到解决，在经济发展和经济结构调整中就业规模持续扩大，
4、就业结构逐步优化，就业渠道不断拓宽，就业形式更加灵活，总体上保持了就业形势的基本稳定。二、数据来源从中国统计年鉴上得到的安徽省2001到2013年总人口数的数据，如下： 表1： 个体就业人口数年份总个体就业人口数（万人）城镇就业人口（万人）乡村个体就业人口（万人）2001年4,760.22,131.22,629.02002年4,742.92,268.82,474.12003年4,636.62,377.02,259.62004年4,587.12,521.22,065.92005年4,900.52,777.72,122.82006年5,159.73,012.52,147.22007年5,496.1
5、3,309.52,186.62008年5,776.43,609.42,167.02009年6,585.34,244.52,340.82010年7,007.64,467.52,540.12011年7,945.35,226.92,718.42012年8,628.35,642.72,985.62013年9,335.86,142.33,193.5三、模型及预测方法的介绍1.移动平均法：移动平均法是根据时间序列资料逐项推移，依次计算包含一定项数的时序平均数,以反映长期趋势的方法。当时间序列的数值由于受周期变动和不规则变动的影响，起伏较大，不易显示出发展趋势时，可用移动平均法，消除这些因素的影响，来分析、
6、预测序列的长期趋势。移动平均法有简单的平均法、加权平均法和趋势移动平均法。（1）简单移动平均法 设时间序列为: ; 简单移动平均法的计算公式为:, 式中：t期移动平均数 N 移动平均项数 预测公式为: 即以第t期移动平均数作为第t+1期的预期值。简单移动平均法只适合做近期预测，即只能对后续相邻的那一项进行预测。它一般适用于预测对象的发展趋势变化不大的情形。如果预测对象的发展趋势存在其他复杂的变化，采用简单移动平均法就会产生较大的预测偏差。（2）加权移动平均法在简单移动平均法计算公式中，每期数据在求平均时的作用是等同的。但是，实际上每期数据所包含的信息量是不一样的，近期数据包含着更多关于未来情况
7、的信息。因此，把各期数据等同看待是不尽合理的，应考虑各期数据的重要性，对近期数据给予较大的权重，这就是加权平均法的基本思想。加权移动平均法的计算公式为: 式中：t期加权移动平均数 的权数预测公式： 即以第t期加权移动平均数作为第t+1期的预期值。利用加权移动平均法，可以更准确地反映实际情况。但在加权移动平均法中，的选择，同样具有一定的经验性。一般的原则是:近期数据的权数大，远期数据的权数小。至于大小到什么程度，完全靠预测者对序列进行的全面了解和分析而定。2 指数平滑法： 指数平滑法是在移动平均法基础上发展起来的一种时间序列分析预测法，它是通过计算指数平滑值，配合一定的时间序列预测模型对现象的未
8、来进行预测。其原理是任一期的指数平滑值都是本期实际观察值与前一期指数平滑值的加权平均。指数平滑法保留了移动平均法的有点，也消除了移动平均法对存储数据量大和对最近的N期数据等同看待，而对t-T期以前的数据则完全不考虑这两个缺点。它既不需要存储很多历史数据，又考虑了各期数据的重要性，而且使用了全部历史资料。它是移动平均法的改进和发展，应用极为广泛。指数平滑法根据平滑次数的不同，又分为一次指数平滑法、二次指数平滑法和三次指数平滑法。本文只介绍一次指数平滑法，介绍如下：设时间序列为;一次指数平滑公式为：式中：一次指数平滑值； 平滑系数，且。预测模型为： 也就是以第t期指数平滑值作为t+ 1期预期值。
9、在进行指数平滑时，加权系数的选择很重要。的大小规定了在新预测值中新数据和原预测值所占的比重。值越大，新数据所占的比重就愈大，原预测值所占的比重就愈小，反之则相反。值的选择一般遵循下列原则: a.如果时间序列波动不大，比较平稳，则应取小一点，如0. 1 0. 3，以减少修正幅度，使预测模型能包含较长时间序列的信息。 b.如果时间序列具有迅速且明显的变动倾向，则应取大一点，如0.60.8使预测模型灵敏度高一些，以便迅速跟上数据的变化。 在实用时，类似于移动平均法，多取几个值进行试算，看哪个预测误差较小，就采用哪个值作为权重。用一次指数平滑法进行预测，除了选择合适的外，还要确定初始值初始值是由预测者
10、估计或指定的。当时间序列的数据较多，比如在20个以上时初始值对以后的预测值影响很少，可选用第一期数据为初始值。如果时间序列的数据较少，在20个以下时，初始值对以后预测值影响很大，这时，就必须认真研究如何正确确定初始值。一般以最初几期实际值的平均值作为初始值。3.一元线性回归回归分析是一种应用极为广泛的数量分析方法，是确定两种或两种以上变数间相互依赖的定量关系的一种统计分析方法。它用于分析事物之间的统计关系，侧重观察变量之间的数量变化规律，并通过回归方程的形式描述和反映这种关系，有助于人们准确的把握因变量与自变量之间的关系，进而为预测提供了科学依据。回归分析按照涉及的自变量的多少，可分为一元回归
11、分析和多元回归分析；按照自变量和因变量之间的关系类型，可分为线性回归分析和非线性回归分析。因为货运量往往受很多因素影响，处理这类经济问题单用一元线性回归模型是远远不够的，所以在此研究中，必须考虑多元的线性回归模型，多元线性回归模型跟一元线性回归模型类似，只不过在具体计算上较为复杂。一元线性回归模型的数学模型为：（1） 拟合优度检验为了检验总的回归效果, 人们常引用无量纲指标复相关系数或其中，称为复相关系数。很显然，越大说明回归方程与样本值拟合得越好，反之越差。由于与模型中的解释变量个数有关，即如果观测值不变，决定系数将随解释变量的数目增大而增大，因而需对进行调整。调整后的决定系数，即修正后的，
12、其中为变量个数。因此多元线性回归方程的的拟合优度检验采用修正的,修正的越接近1，说明回归方程对样本数据点的拟合优度越高，反之，修正的越接近于0，说明回归方程据点的拟合优度越低。（2）回归方程的显著性检验回归方程的显著性检验就是检验被解释变量与所有解释变量之间的线性关系是否显著，用线性模型来描述它们之间的关系是否恰当。利用检验对回归方程进行显著性检验的方法称为方差分析。检验统计量，对于给定的置信度, 由分布表可查得的值, 如果根据统计量算得的值为, 则拒绝原假设， 即个自变量的总体回归效果是显著的, 否则认为回归效果不显著。（3）回归系数的显著性检验回归系数的显著性检验的主要目的是研究回归方程中
13、的每个解释变量与被解释变量之间是否存在显著的线性关系，也就是研究每个解释变量能否有效地解释被解释变量的线性关化，它们能否保留在线性回归方程中。四、模型的建立、求解及检验1.移动平均法、加权平均法预测：简单移动平均法根据数据波动情况及经验设定移动平均项数N=2，再根据预测公式；， 求出简单移动平均法的预测值并计算其误差。运用excel软件对数据进行简单移动平均,得到预测值和误差如下： 表2 移动平均法预测及误差结果年份简单移动平均就业人口总数（万人）预测值误差2001年4,760.204,713.23-0.009872002年4,742.904,655.53-0.018422003年4,636.604,708.070.0154142004年4,587.104,882.430.0643832005年4,900.505,185.430.0581442006年5,159.705,477.400.0615732007年5,496.105,952.600.0830592008年5,776.406,456.430.1177262009年6,585.307,179.
