热点分祈，●●●ｔ●●●，＿，叩０，－基予ＡＲＩＭＡ模型财我国就业状ＺｌＢ一瓣马跃厦门大学经济学院【摘要】本文采用求和自回归移动平均模型（ＡＲＩＭＡ），对我国１９５２年～２００６年的就业人数的数据进行时间序列分析，结果显示ＡＥＩＭＡ（２，１，１）模型提供了较准确的预测结果，可用于未来的预测，就此可为我国社会保障部门提供一些参考数据。【关键词】时间序列分析就业人员合计ＡＥＩＭＡ模型未来预测充分就业与经济增长、物价稳定、国际收支平衡并列为各国政府管理经济的四大目标。近年来我国的就业压力越来越大受到社会各界的广泛关注，成为各级政府面临的严峻挑战和亟待解决的主要难题；增加就业的难点体制转轨释放出的压力，信息化进程加快使就业的难度加大就业结构性矛盾突出。为了准确预测我国就业人数的发展趋势使所建模型既要满足实际的要求，也满足统计方法理论的要求，故文章采用自回归移动平均模型来建立我国就业人数的预测模型。一ＲＩＭＡ模型的构建思想ＡＲＩＭＡ是一类常用的随机时间序列模型．由博克斯、詹金斯创立。它是一种精度较高的时问序列短期预测方法其基本思想是：某些时间序列是依赖于时间ｔ的一簇随机变量．构成该时序的单个序列值虽然具有不确定性但整个序列的变化却有一定的规律性．可以用相应是数学模型近似描述。通过对该序列的分析研究．能够更本质的认识时间序列的结构与特征，达到最小方差意义下的预测。ＡＲＩＭＡ（Ｐ．ｄｑ）模型中．ＡＲ指自回归．Ｐ为模型的自回归项数ＭＡ为移动平均．ｑ为模型的移动平均项数ｄ为时间序列成为平稳之前必须取其差分的次数。其一般的表达式为：Ｙｔ＝ａＯ＋ａｌＹｔ一１＋ａ２Ｙｔ一２＋…＋ａｐＹｔ—ｐ＋ｂＯＵｔ＋ｂｌＵｔ－１＋ｂ２Ｕｔ一２＋…＋ｂｑＵｔ－ｑ二、ＡＲＩＭＡ模型的应用根据ＡＲＭＡ模型的前提条件建立模型的时间序列方法是以平稳随机时间序列为前提的。选取我国１９５２年～２００６年就业人数合计的数据，令其为ｗ，并对数据进行平稳性检验与处理。１．对时间序列Ｗ进行分析对其做折线图．观察到曲线向右上方倾斜，并且在其后波动幅度不一致．说明序列存在增长趋势。对数据进行单位根检验．从检验结构（Ｐ＝０９９６６）中得出数据没有通过ＡＤＦ检验，因此该序列是非平稳的时间序列。说明我国就业人数的变化受多种因素《商场现代化２００８年５局（中旬刊）总第５３９期影响而不能采用固定模式进行分析预测。。２对ｗ进行平稳化处理对｛ｗ：序列进行差分，经检验发现需要对｛ｗ｝序列进行一阶差分才能使序列达到平稳，ＡＤＦ检验量的Ｐ＝Ｏ．００００。３模型识别即选择用ＡＲ（Ｐ）ＭＡ（ｑ）还是用ＡＲＭＡ（Ｐｑ）模型对平稳的时ｆａ－］序列模型进行估计。通过前文我们已经知道ｊ（ｄ）的阶数为１，即ｄ＝ｌ。现对ＡＲＭＡ模型进行定阶分析。首先利用ＡＣＦ图和ＰＡＣＦ图进行模型阶数分析．初步确定为ＡＲＭＡ（２１）模型。此模型效果指标如下表ＣＳＣＡＲＭＡ（２、１）１６９６９３７１７．ｏ４４４２从下表的数据可以证实其参差接近白噪声序列ＡＣＦ和ＰＡＣＦ图的观察ＬＡＧｔ２３４６７８９ＡＣ．０２０９．０２３２００９９．０１２６００９５００２３．００６８００４７Ｏ＿ｏ１７ＰＡＣ－０２０９－０２８９０，０２８－０１ｇ８Ｏ＿ｏｇ５－０．０２８－０Ｄ１８０．００６Ｏ＿ｏ３６Ｑ・ｓｔａｔ２４０６１５４４０９６Ｏ０１０６９３１０７４６６０７４９８９７７８∞７９２９３７９３可拟核出此模型为：Ｙｔ＝Ｏ．４８３２９３Ｙｔ一２＋Ｏ３４２９９８Ｕｔ一１三、ＡＲＩＭＡ的预测与分析对｛ｗ：作出２００７年～２０１０年的预测值：２ｏｏ７年－２Ｏ１Ｏ年苴业人数预测值年份２ｏｏ７２ｏ０８２００９２ｏｌ０预测值７５２４９７７０３０３８７７２。ｏ７４￣／３３５．骐一由于ＡＲＩＭＡ模型模型的自身存在先天性缺陷：随着预测期的延长．其预测误差也会逐渐增大．但在短期内它的预测还是比较准确的，而且与其他的预测方法相比．其预测的准确程度还是比较高的．尤其在短期预测方面。希望本文的预测结果能给我国关于就业情况的分析与改善提供...
