PPI的时间序列分析——基于ARIMA模型

已于 2023-04-02 11:14:53 修改
阅读量1k 收藏 6
点赞数
文章标签： 数据分析 数据挖掘
于 2023-04-01 23:25:04 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/moonworld2/article/details/129904587
版权
文章通过分析2011年至2023年的PPI数据，采用时间序列模型ARIMA和STL分解方法，揭示PPI的周期性和趋势。经过差分和稳定性检验，确定对趋势数据进行3阶差分，残差数据保持平稳。利用AIC和BIC准则选择最佳参数，构建ARIMA模型对PPI进行预测，结果显示模型能有效捕捉数据的变化趋势，预测误差均值为0.415，标准差为0.626。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

一、引言

PPI全称为Producer Price Index，中文名为“生产者物价指数“，也称为工业品出厂价格指数。它是一个反映生产领域物价变化的指标，通常用来测量生产领域的价格水平和通货膨胀压力。在经济生活中，PPI可以用于衡量生产成本、预测CPI走势、分析通货膨胀压力、评估产业竞争力、反映经济增长程度。而PPI本身就是一种时间序列数据，其具有时间特征，因此我们可以采用时间序列模型ARIMA对其未来的趋势进行分析

二、时间序列分析

1.PPI变化趋势

图一 2011年-2023年PPI变动趋势图

从变动趋势图可知，PPI的变动具有一定的周期性，但在变化幅度上，2015年后的幅度明显比2015年前的要强烈，具有明显的时段区别，因此我们选择2015后的数据作为时间序列分析研究的数据，根据常用的80%：20%原则以及数据呈现的周期性，我们选择2014-12至2022-02作为训练集，以2022-03至2023-02作为测试集

2.进行差分分析，判断是否需要对数据进行差分操作

差分操作是指将一个时间序列或者数据序列中每个值与它前一个值之间的差值计算出来的操作。在时间序列分析中我们经常需要对时间序列数据进行差分分析，以此来判断数据是否具有平稳性，如果没有平稳性，则需要通过1阶或2阶操作以使数据具有平稳性，来实现对时序数据的分析和预测

最低0.47元/天 解锁文章
moonworld2
关注
基于HHT-LSTM的冬奥会临时设施运行趋势预测方法研究
罗伯特技术屋
05-02 208
针对冬奥会延庆赛区临时设施的安全性和可使用性，本文充分结合信号处理算法与深度神经网络，提出了一种由希尔伯特黄变换（Hilbert-Huang transform，HHT）对时序数据进行信号分解和信号特征提取，长短期记忆网络（long short-term memory，LSTM）进行临时设施运行趋势预测2部分构成模型。
时间序列ARIMA模型的拟合、模型定阶、参数估计和预测
最新发布
2301_78852561的博客
12-02 4202
单位根检验结果来看，可以判定其为带趋势的平稳时序数据，白噪声检验结果为非白噪声。可以考虑对时序数据进行差分，提取趋势信息。从相关图可以得到：自相关系数一阶截尾，偏自相关系数拖尾，可以考虑用MA(1)来拟合差分后的数据并进行参数估计。本文主要使用SAS模型进行时间序列数据的模型ARIMA模型的拟合和定阶。从图中，可以直观判断时间序列PP数据为带有一定趋势性时间序列数据。从运行结果可以看到，模型显著参数显著。白噪声检验结果为该序列为白噪声序列，残差的白噪声检验，显示为白噪声序列。差分后的数据已经没有趋势信息。
梯度回归模型预测PPI
2201_75980969的博客
03-25 545
需要注意的是，该模型的预测结果可能会受到多种因素的影响，包括数据的质量、模型的参数设置等。然后，我们将数据集划分为训练集和测试集，其中训练集包括2011年1月至2021年12月的数据，测试集包括2022年1月至2026年12月的数据。然后，我们使用模型的forecast()方法对未来5年的PPI进行预测，其中steps参数设置为60，表示预测60个月（即5年）的PPI值。接下来我们来预测未来5年的PPI，可以使用时间序列分析的方法，建立一个适合该数据集的时间序列模型，并利用该模型进行未来5年的预测。
MIT | 一种可解释的PPI预测模型
DrugAI
02-01 3946
今天给大家介绍的是由MIT在“Biorxiv”上发表的预印本”Sequence-based prediction of protein-protein interactions: a structure-aware interpretable deep learning model ”。 蛋白质-蛋白质相互作用（PPI）网络在系统生物学中是一种促进发现和理解蛋白质功能的有价值工具。然而，实验PPI数据在大多数模式生物中仍然稀少，而且在新物种推广上不佳或是需要特定类型和大小的数据训练。因此，...
我国PPI实践序列预测模型实证研究参照.pdf
02-26
我国PPI实践序列预测模型实证研究参照.pdf
基于系统动力模型的中国PPI和CPI预测
02-15
基于系统动力模型的中国PPI和CPI预测，林权，侍相宇，对PPI和CPI的值进行预测，对我国相应部门做出正确的宏观策略有积极的意义。本文采用常用的时间序列分析理论：时间序列窗改进的线性
通过NetworkAnalyst在线服务构建PPI网络
庐州月光的博客
11-07 6784
欢迎关注微信公众号《生信修炼手册》! NetworkAnalyst是一个在线网站，通过该网站可以方便的分析基因表达谱数据，比如聚类，差异分析，富集分析等等，而且可以基于基因来构建各种相互作用网络，该网站的地址如下 http://www.networkanalyst.ca/faces/home.xhtml 输入数据可以是基因或者蛋白的列表，也可以是基因在所有样本中表达量的表格。对于表达量数据，支...
线性时间序列分析（一）
gellani的博客
10-09 3992
线性时间序列分析（一） 自相关系数的检验——混成检验（Portmanteau Test) Box.test(d3,lag=1,type=“Ljung”) %lag意思为时间间隔或者说是滞后，一般可选用5 Box-Ljung test data: d3 X-squared = 18.811, df = 1, p-value = 1.444e-05 %接上一篇博客数据集{d3},对其进行混成...
3.3.1 工业产需力量对比：基于工业产出缺口的分析（复现）V1
m0_71935891的博客
06-29 409
3.3.1 工业产需力量对比：基于工业产出缺口的分析（复现）
论文分析与讲解思路（1）--L3链路预测
xianghu_5的博客
04-12 457
之前总是把所有的科研想法和过程随手记录 感觉那样既耗费时间又效率太低。 直到今天上完课，看到吴老师（我的研究生导师）发了一个朋友圈，分享了之前研究生组会上的一篇论文。我想着，我也创建一个专门的账户来记录一下所学所想吧。 没错，这里说的就是我。看了吴老师今天发的朋友圈，结合里面的内容，我又重新整理了一下论文的思路，感觉受益匪浅。 这篇文章确实写得非常妙！它是发表于Nature上的一篇文章。 蛋白质相互作用网络（PPI）的数据量越来越大，因此，如何高效挖掘潜在的PPI是一个难题。过去人们使用的是
数学建模之时间序列预测（ARIMA）
weixin_45876289的博客
04-25 4324
可以使用所有这些参数并分析我们模型的性能，然后可以为我们的问题陈述选择最合适的模型。
SPSS软件实操——ARIMA时间序列预测模型
热门推荐
beiye_的博客
06-23 6万+
案例：基于ARIMA模型对螺纹钢价格预测——以南昌市为例
机器学习——时间序列ARIMA模型(四)：自相关函数ACF和偏自相关函数PACF用于判断ARIMA模型中p、q参数取值
AI~天海的博客
05-11 2万+
python自相关函数ACF和偏自相关函数PACF用于判断ARIMA模型中p、q参数取值
ARIMA 时间序列模型
weixin_42053726的博客
06-03 8814
做这个ARIMA模型的基本要求 就是数据必须具有平稳性。 ARIMA(p，d，q)模型全称为差分自回归移动平均模型 (Autoregressive Integrated Moving Average Model,简记ARIMA) AR是自回归， p为自回归项； MA为移动平均 q为移动平均项数，d为时间序列成为平稳时所做的差分次数 原理：将非平稳时间序列转化为平稳时间序列然后将因变量...
时间序列预测模型
Despacito1006的博客
08-22 4455
时间序列预测模型 1.时间序列分解 2.ARIMA模型 时间序列（或称动态数列）是指将同一统计指标的数值按其发生的时间先后顺序排列而成的数列。时间序列分析的主要目的是根据已有的历史数据对未来进行预测。 一个时间序列往往是以下几类变化形式的叠加或耦合： 长期趋势(Secular trend,T):长期趋势指现象在较长时期内持续发展变化的一种趋向或状态； 季节变动(Seasonal Variation,S):季节变动是由于季节的变化引起的现象发展水平的规则变动； 循环波动(Cyclical Variation
LPR调整的分析研究
moonworld2的博客
03-30 1314
因此央行在2019年8月按照市场化要求改革和完善LPR的形成机制，建立了LPR与MLF相挂钩的机制，并发布公告规定贷款合同的定价需建立在LPR的加点调整上，且将LPR的运用情况纳入银行宏观审慎评估(MPA)考核，使其逐步替代贷款基准利率的作用，同时LPR的报价银行由只有前10的全国性银行，到现在的再新增8家不同领域规模的代表性银行（2家城商、2家农商，2家外资，2家民营），并将LPR的中文名改为现在的”贷款市场报价“。
ARIMA模型选择与残差
qq_37135484的博客
09-24 7852
%load_ext autoreload %autoreload 2 %matplotlib inline %config InlineBackend.figure_format='retina' import pandas as pd import numpy as np import statsmodels.api as sm import statsmodels.formula.api as...
R语言 时间序列之ARIMA模型
zxy_clover的博客
03-29 2万+
自回归移动平均模型（arima）ARMA模型是对不含季节变动的平稳序列进行建模。ARIMA模型的本质和ARMA是一样的，只是ARIMA针对不平稳的序列进行建模的，将ARMA模型里的序列值进行差分就可以。定阶以及参数说明acf值pcf值模型拖尾（逐渐为0）p阶截尾ARIMA(p,d,0)q阶截尾拖尾ARIMA(0,d,q)拖尾拖尾ARIMA(p,d,q)以尼罗河数据为例子 plot(Nile) ...
时序预测之二_ARIMA
谢彦的技术博客
03-23 1万+
1. 说明 ARMA回归滑动平均模型(Autoregressive Moving Average Model,简记ARIMA)，是研究时间序列的重要方法，由自回归模型（简称AR模型）与滑动平均模型（简称MA模型）为基础“混合”构成。常用于具有季节变动特征的销售量、市场规模的预测等。ARIMA模型相对ARMA模型，仅多了差分操作。2. 相关概念(1) 自回...
时间序列分析模型——ARIMA模型
06-12
好的，您想了解关于时间序列分析模型中的ARIMA模型。ARIMA模型是一种广泛应用于时间序列预测和建模的统计模型。它是由自回归模型（AR）和移动平均模型（MA）组成的，加上差分（I）操作，因此被称为ARIMA模型。 ARIMA模型通过对时间序列数据的自相关性（AR）和平均值（MA）进行建模，以预测未来的趋势。ARIMA模型的核心是确定模型中的三个参数：p，d和q。其中p表示自回归项的阶数，d表示差分阶数，q表示移动平均项的阶数。 ARIMA模型的优点在于可以处理具有非常复杂的时间依赖性的时间序列数据，同时也可以通过调整参数来提高模型的预测能力。然而，ARIMA模型也有一些缺点，比如它需要大量的数据才能获得准确的预测结果，并且不适用于非平稳的时间序列数据。 希望我的回答能对您有所帮助。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值