全国gdp的统计分析毕业论文(编辑修改稿)

全国gdp的统计分析毕业论文(编辑修改稿)内容摘要：

本课题研究的科学依据 科学意义 在经济学中，常用 GDP 衡量该国或地区的经济发展综合水平通用的指标。 这也是目前各个国家和地区常采用的衡量手段。 GDP 是宏观经济中最受关注的经济统计数字，因为本科生毕业设计（论文）题目 3 它被认为是衡量国民经济发展情况最重要的一个指标。 GDP 反映的是国民经济各部门的增加值的总额。 通过对一段时间以来我国 GDP 数据的分析，能够找出对我国经济最重要的影响因素，在了解我国近年来经济发展状况的同时，并能对未来几年内我国 GDP 的数据作出预测，从而为我国经济社会的发展提出有效的改进建议。 国内外研究水平： 2020 年，中国 GDP 超越日本，成为世界第二大经济体，而 改革开放 30 多年来，中国GDP 增长近 15 倍，年均增长速度达到 %。 中国的经济发展已经成为影响世界经济的重要因素，国内外对于中国 GDP 增长的研究也越来越深入，内容涉及影响中国 GDP 的增长的因素， GDP 对于中国乃至世界经济发展的影响，国内各行业发展状况与 GDP 增长的联系等各个领域。 相关著作如世界著名经济学家安格斯麦迪森教授的《中国经济的长期表现》，美国经济学家罗斯基的《中国 GDP 统计发生了什么》也都在世界范围内产生深远的影响。 应用前景： GDP 反映的是国民经济各部门的增加值的总额，被认为是衡量 国民经济发展情况最重要的一个指标。 本论文通过对 GDP 的统计与分析，能够揭示各类因素对于 GDP 的影响程度，并对 GDP 进行短期预测分析，从而找出提升 GDP 的关键因素，为如何更快更好地发展社会主义市场经济找到理论依据。 论文对 GDP 数据进行深入挖掘和分析，揭示经济发展的内在规律及其影响因素，能够与实际经济政策的制定相结合，具有很好的应用前景。 本文的主要内容 本文首先查阅《中国统计年鉴》，从中获得 19952020 年的 GDP 及影响 GDP 的几大因素的相关数据，并将 GDP 作为因变量，将人口数、固定资产投资、贸易顺 （逆）差、国家财政支出、居民消费水平为自变量，利用多元回归分析法， 分析这些变量 对我国 GDP的影响程度。 利用 MATLAB 和统计检验 ，确定最佳模型。 其次，因为时间序列分析可以从数量上揭示某一现象的发展变化规律或从动态的角度刻画某一现象与其他现象之间的内在关系及其变化规律性，达到认识客观世界之目的，而且运用时间序列模型还可以预测和控制现象的未来行为，修正和重新设计系统以达到利用和改造客观的目的。 因此本文基于时间序列理论，以我国 19952020 年的国内生产总值为基础，利用 SAS 对数据进行绘图分析、模型识别、模型估 计，及预测。 以此来 分析经济增长的内在特征 ， 并对我国 未来短期 经济发展做出 分析和 预测。 最后，基于以上两点研究结果，对我国的经济发展和经济策略的制定提出可行性建议。 江南大学学士学位论文 4 第二章 时间序列 基本知识 时间序列分析的预处理 差分运算 一阶差分 1t t tX X X   p 阶差分 11 1p p pt t tX X X      k 步差分 k t t kXX   差分方法是一种非常简便、有效的确定性信息提取方法， Cramer 分解定理在理论上保证了适当阶数的差分一定可以充分提取确定性信息。 差分运算的实质是使用自回归的方式提取确定性信息：    011idddit t d t iiX B X C X      差分方式的选择： 序列蕴含着显著的线性趋势，一阶差分就可以实现趋势平稳。 序列蕴含着曲线趋势，通常低阶（二阶或三阶）差分就可以提取出曲线趋势的影响。 对于蕴含着固定周期的序列进行步长为周期长度的差分运算，通常可以较好地提取 周期信息。 平稳性检验 平稳性是某些时间序列具有的一种统计特征。 对于平稳的序列我们就可以运用已知的时间序列模型对其进行分析预测。 因此对数据进行平稳性检验是时间序列分析法的关键步骤。 平稳时间序列有两种定义，根据限制条件的严格程度，分为严平稳时间序列和宽平稳时间序列。 对序列的平稳性有两种检验方法，一种是根据时序图和自相关图显示的特征做出判断的图检验方法；一种是构造检验统计量进行假设检验的方法。 通常我们都选用图检验方法检验序列平稳性并用单位根统计检验法加以辅助。 (1) 自相关图法 自相关函数和偏 自相关函数的定义：构成时间序列的每个序列值， 1, , ,t t t kX X X 之间的简单相关关系称为自相关。 自相关程度由自相关系数 kr 度量，表示时间序列中相隔 k期的观测值之间的相关程度。    121nkt t ktk nttX X X XrXX (21) 其中， n 是样本量， k 为滞后期， X 代表样本数据的算术平均值。 自相系数 kr 的取 值范围是  1,1 并且 kr 越 小 ，自相关程度越高。 偏自相关是指对于时间序列 tX ，在给定1 2 1, , ,t t t kX X X    的条件下， tX 与 tkX 之间的条件相关关系。 其相关程度用偏自相关系数kk 度量，有 11kk  。 本科生毕业设计（论文）题目 5   11 111,11,1, 1 , 1 , 1, 2 , 3 ,1, 1 , 2 , , 1kk k i k iikk ki i iik i k i k k k irrrkrik                (22) 其中 kr 是滞后 k 期的自相关系数。 如果序列的自相关系数很快 地 (滞后阶数 k 大于 2 或 3 时 )趋于 0，即落入随机区间， 时间序列是平稳的，反之时间序列是非平稳。 若有更多的自相关系数落在随机区间以外，即与零有显著不同，时间序列就是不平稳的。 自相关图法仅从直观的判断平稳时间序列与非平稳时间序列的区别。 也可用以下的 方法在理论上检验。 (2) 单位根检验法 时间序列的平稳性还可以通过单位根检验来判断，单位根检验目前常用的两种方法是DF 和 ADF。 DF 检验法是 Dickey 和 Fuller 在 70 年代和 80 年代的一系列文章中建立的。 其 基本思想是 ： 一阶回归模型 1t t tXX中， 1 时，序列 tX 是平稳的。 若 1 ，则序列是非平稳的，存在单位根，通过检验  是否可能为 1，判断序列是否平稳序列。 DF 检验的假设是 0 1H ：。 (a) DF 检验 序列有如下三种形式 ： 不包 含常数项和线性时间趋势项 1t t tXX   (23) 包含常数项 1t t tX c X    (24) 包含常数项和线性时间趋势项 1t t tX c t X       (25) 其中， 1rp。 检验假设为： 0 0H ： 1 0H ： 序列存在单位根的零假设下，对参数  估计值进行显著性检验的 t 统计量不服从常规的 t 分布， DF(Diekeyamp。 Fuller)于 1979 年给出了检验用的模拟的临界值，故称检验称为 DF检验。 一般地，如果序列 tY 在 0 均值上下波动，则应该选择不包含常数和时间趋势项地检验方程，即 (23)式；如果序列具有非 0 均值，但没有时间趋势，可选择 (24)作为检验方程 ； 序列随时间变化有上升或下降趋势，应采用 (25)的形式。 (b) ADF 检验 在 DF 检验中，对于 (23)式，常常因为序列存在高阶滞后相关而破坏了随机扰动项 t是白噪声的假设， ADF 检验对此做了改进。 它假定序列 tY 服从 AR(P)过程。 检验分程为 1 1 1 2 2 1 1t t t t p t p tX X X X X                   (26) 式中的参数 p 视具体情况而定，一般选择能保证 t 是白噪声的最小的 p 值。 与 DF 检验一样， ADF 检验也可以有包含常数项和同时含有常数和线性时间趋势项两形，只需在 (26)式右边加上 c 或 c 与 t。 时间序列基本模型 随机时间序列分析模型分为三种类型 ： 自回归模型 (Autoregressive model， AR)、移江南大学学士学位论文 6 动平均模型 (Moving Average model， MA)和自回归移动平均模型 (Autoregressive Moving Average model， ARMA)。 自回归模型 如果一个随机过程可表达为 1 1 2 2t t t p t p tX X X X          其中 i ， 1,2, ,ip  是自回归参数， t 是白噪声过程，则称 tX 为 p 阶自回归过程，用  ARp 表示。 tX 是由它的 p 个滞后变量的加权和以及 t 相加而成。 若用滞后算子表示    2121 Pp t t tL L L X L X           其中  。