大學(xué)論文基于arima模型的股價預(yù)測研究

1、<p>　　基于ARIMA模型的股價預(yù)測研究</p><p><b>　　摘　要</b></p><p>　　隨著我國金融市場的逐步放開、股票市場的迅猛發(fā)展，股票市場作為整個國民經(jīng)濟的重要基石之一，其地位和作用也日益突出．如何有效地控制金融市場風(fēng)險，促使金融市場有效、健康的運行，已成為我國金融機構(gòu)面臨的重大挑戰(zhàn)．而通過歷史數(shù)據(jù)，建立ARIMA模型，能較好地預(yù)

2、測股價的發(fā)展趨勢，從而使股票的投資者和管理者獲得最大的回報或最小的損失。本文利用同花順軟件收集深市同德化工（002360）股票從2010年3月3日—2016年4月25日間的每日收盤價，其中樣本數(shù)據(jù)采用股指對數(shù)收益率作為樣本數(shù)據(jù)，并采用其數(shù)據(jù)進行平穩(wěn)、零均值化處理，模型識別和模型定階，在使用最小二乘法估計參數(shù)后，建立ARIMA模型；最后利用已建模型預(yù)測出未來3天的股票開盤價指數(shù)，并與實際數(shù)據(jù)相對照，計算模型預(yù)測誤差，驗證ARIMA模型是否

3、適合于所選股票的短期預(yù)測。</p><p>　　關(guān)鍵詞：股價 ARIMA模型 </p><p>　　Comparison of urban and rural residents in Hebei Province</p><p>　　Li da Directed by Lecturer Liu linghui</p><p><b

4、>　　Abstract</b></p><p>　　In recent years, under the guidance of the national integration strategy launched in Beijing, Tianjin, Hebei Province, by means of its regional advantages Hebei Province eff

5、orts to build "one hour life circle."Accelerate the flow of population makes the structural differences in Hebei Household Consumption size changed.In order to better describe this difference, and this differen

6、ce is a measure of the size of the paper to survive and consumption, development and enjoyment and consumption and co</p><p>　　KEY WORDS： Urban and Rural Residents Consumption Differences Compare Research

7、</p><p><b>　　目 錄</b></p><p><b>　　摘　要I</b></p><p><b>　　英文摘要II</b></p><p><b>　　目 錄1</b></p><p><b&g

8、t;　　前　言2</b></p><p><b>　　1 概念界定3</b></p><p>　　1.1 城鎮(zhèn)和鄉(xiāng)村的界定3</p><p>　　1.2 本研究中的消費結(jié)構(gòu)3</p><p>　　2 指標體系的建立與原數(shù)據(jù)的選取4</p><p>　　2.1 河北省城鄉(xiāng)居民消

9、費結(jié)構(gòu)體系的建立4</p><p>　　2.2 河北省城鄉(xiāng)居民消費結(jié)構(gòu)數(shù)據(jù)5</p><p>　　3 河北省消費結(jié)構(gòu)的描述性統(tǒng)計分析6</p><p>　　3.1 恩格爾系數(shù)分析6</p><p>　　3.2 衣著和房屋消費分析7</p><p>　　3.3 交通通信和文化教育消費分析9</p>

10、<p>　　3.4 家用服務(wù)和醫(yī)療保健消費分析10</p><p>　　4 河北省消費結(jié)構(gòu)的因子分析11</p><p>　　4.1 原數(shù)據(jù)與數(shù)據(jù)預(yù)處理11</p><p>　　4.1.1 原始數(shù)據(jù)的選取11</p><p>　　4.1.2 數(shù)據(jù)預(yù)處理12</p><p>　　4.2 確定公共因

11、子和載荷矩陣13</p><p>　　4.3 因子旋轉(zhuǎn)與兩個公因子的實際含義14</p><p>　　4.4 計算因子得分與差異趨勢16</p><p>　　5 結(jié)論與建議16</p><p>　　5.1 差異現(xiàn)狀分析16</p><p>　　5.2 原因分析17</p><p>　

12、　5.3 建議17</p><p><b>　　參考文獻19</b></p><p><b>　　附錄20</b></p><p><b>　　致　謝22</b></p><p><b>　　前　言</b></p><p>

13、;　　隨著社會的進步及科技的快速發(fā)展，中國的股票市場也日益完善，并且逐步成為我國最重要的資本市場之一。由股份公司在籌集資本時向投資者發(fā)行的一種有價證券稱為股票。它可以顯示出投資者股權(quán)身份和權(quán)力，股票持有者可以根據(jù)所持的股份享有專有的權(quán)力。它也是股票持有者承擔(dān)義務(wù)的憑證。只有股份有限公司可以發(fā)售股票，并且它只能發(fā)給持股者持股證明，同時不能轉(zhuǎn)售，所以股票市場就是股票轉(zhuǎn)讓、流通和買賣的場地，它包含交易所市場及場外交易市場。股票是一種“投資小、

14、收益大”同時伴隨高風(fēng)險的投資行為，所以無論是投資者還是股票的管理者，預(yù)測股價的發(fā)展走勢，通過了解股價的發(fā)展走勢來進行投資與管理尤為重要。而所謂的股票價格趨勢分析就是借助某種工具通過對股價現(xiàn)有的情況來對未來的股價進行預(yù)測，已有研究表明應(yīng)用時間序列分析理論可以對未來的股價進行分析和研究。</p><p>　　實際上，應(yīng)用時間序列分析知識的領(lǐng)域是十分廣泛的。時間序列分析的應(yīng)用一般有兩個目的:一個是通過給出的數(shù)據(jù)生成模型

15、，二是根據(jù)歷史數(shù)據(jù)，預(yù)測出將來的可能取值。學(xué)者常常能通過一定順序的時間點來觀察所獲得的數(shù)據(jù)，如日股票開盤價、某城市的降水量、每毫秒心電活動的狀況、月價格指數(shù)、年銷售量等等。在觀察這些數(shù)據(jù)時發(fā)現(xiàn)它們之間具有相依性。通過對這些具有相依性的數(shù)據(jù)進行觀察與研究來找出其發(fā)展規(guī)律，并利用其規(guī)律來擬合出數(shù)學(xué)模型，這些數(shù)學(xué)模型可以用來預(yù)測數(shù)據(jù)的未來發(fā)展走向。而ARIMA模型就是其最重要的時間序列模型之一。他能很好地預(yù)測股價的發(fā)展趨勢，從而使股票的投資者

16、和管理者得到最大的收益。</p><p>　　隨著社會的快速進步和發(fā)展，股票市場也逐漸成為我國經(jīng)濟發(fā)展和金融活動的陰晴表。正規(guī)股票市場最早出現(xiàn)在美國。如果股票交易市場出現(xiàn)了不良影響，那么勢必會影響經(jīng)濟及其金融的發(fā)展。在股市活躍的投資者和管理者都知道股市唯一不變的性質(zhì)就是它是每分每秒都在變化。這就需要我們借助某種工具來研究股價的趨勢走向。我們使用時間序列分析對股價進行分析，進而達到“投資小，收益大”的目的。通過對股

17、價數(shù)據(jù)的分析，利用時間序列分析中的模型對其建模，進而了解股價的未來走向。</p><p>　　時間序列分析在很多領(lǐng)域應(yīng)用得十分廣泛。1970年，George E.P. Box和Gwilym M. Jenkins著寫了一本名為((Time Series Analysis-Forecasting and Control》的書[1]。此書引起了廣泛的關(guān)注和重視。其后國內(nèi)外學(xué)者通過多個領(lǐng)域?qū)r間序列分析進行研究，并且出版

18、了許多專著和專門的期刊。如1994年，J.Hamilton著寫《Time Series Analysis》[2]。 2003年，美國的經(jīng)濟學(xué)家Robert F.Engle和英國的經(jīng)濟學(xué)家Clive W J.Grange因在經(jīng)濟時間序列分析上取得了巨大的成就而獲得諾貝爾經(jīng)濟學(xué)獎[3]。</p><p>　　1999年，查正洪利用時間序列分析對上證綜合指數(shù)進行建模分析與研究，從而建立了ARIMA模型[[4]。馮盼和曹

19、顯兵在“基于ARMA模型的股價分析與預(yù)測的實證研究”中[[5]，利用單位根檢驗首先確定原序列的平穩(wěn)性，從而利用差分法使其變得平穩(wěn)并通過ADF檢驗，然后建立ARMA模型，并利用猜想法確定和的值。再確定模型的參數(shù)值來確保模型的參數(shù)顯著，最后對于所建的模型進行殘差檢驗來確定模型的合理性，并利用所建模型對股價進行預(yù)測。通過對比實際值和預(yù)測值，可以看出所建模型是較為合理的。郭雪、王彥波的“基于ARMA模型對滬市股票指數(shù)的預(yù)測”[6]及鄧軍、楊宣、

20、王瑋等的“運用ARMA模型對股價預(yù)測的實證研究”[7]和邵麗娜的“基于ARMA模型對招商銀行股票價格的預(yù)測”[8]，這些文章都是應(yīng)用ARIMA模型對其數(shù)據(jù)進行建模與預(yù)測。</p><p>　　總之，目前的研究是在ARIMA模型的基礎(chǔ)上對股票進行分析來建立模型和擬合模型，最終達到預(yù)測的目的，從而使股票受益者達到利益最大化。</p><p>　　本文主要關(guān)注的是ARMA模型在股價指數(shù)擬合和預(yù)測

21、方面的應(yīng)用[9]。我們知道，ARMA模型是基于數(shù)據(jù)序列為線性、平穩(wěn)的假設(shè)前提下的，而事實上，經(jīng)濟時間序列的一個重要特征是存在趨勢性及非線性成分，即通常認為時間序列具有以下形式：</p><p>　　其中為趨勢性成分， 為季節(jié)性成分， 為隨機性成分。ARMA 模型是針對隨機性成分 的建模。對季節(jié)性成分(如果存在的話)，通常采用季節(jié)調(diào)整；對趨勢性成分 ，通常采用階差分的辦法去除趨勢性，使之平穩(wěn)，然后用 ARMA (p

22、, q)模型擬合，此即為 ARIMA (p, d, q)模型，然而對于某些數(shù)據(jù)樣本，比如文所選取的深市同德化工（002360）股票2015年8月—2016年3月的對數(shù)數(shù)據(jù)序列，雖然存在明顯的趨勢，對其進行一階差分后固然消除了趨勢成分使序列平穩(wěn)，然而得到的序列自相關(guān)性不明顯，在顯著性水平下與歷史數(shù)據(jù)呈不相關(guān)性，即為一個白噪聲序列。本文考慮的是用— ARIMA 模型來擬合時間序列的趨勢性成分。下面是論文的框架:</p><

23、;p>　　第二章首先闡述時間序列模型 AR、MA、ARMA 及 ARIMA 的概念；其次紹 AR、MA和ARMA模型參數(shù)的估計、模型的檢驗和選擇模型的標準；最后說明 ARIMA 模型的差分階數(shù)的確定和適用標準。</p><p>　　第三章采用ARIMA模型對深市同德化工（002360）股票進行分析預(yù)測，分別介紹了指數(shù)組成的來源，模型的識別和定階、檢驗，并比較了預(yù)測結(jié)果。</p><p&g

24、t;<b>　　第四章結(jié)束語。</b></p><p>　　1 時間序列的理論模型與方法概述</p><p>　　本文在這一章里主要介紹時間序列的相關(guān)概念以及模型，以便為下面章節(jié)的順利展開做一個鋪墊。時間序列(Time Series)系指以時間順序型態(tài)出現(xiàn)之一連串觀測值集合，或更確切的說，對某動態(tài)系統(tǒng)(Dynamic System)隨時間連續(xù)觀察所產(chǎn)生有順序的觀測值集

25、合。</p><p>　　1.1 時間序列模型的含義</p><p>　　時間序列是以時間順序生成的觀測值的集合[[10]。分為連續(xù)型時間序列和離散型時間序列。本文中我們討論離散型時間序列，它是某一過程中的某一個變量或一組變量在一系列時刻上如:得到的離散有序數(shù)集合，即某一過程在時刻的觀測值，一般為離散等間隔的數(shù)字時間序列，屬于隨機過程的一次樣本實現(xiàn)。如:某產(chǎn)品價格的月度數(shù)據(jù)、某產(chǎn)品產(chǎn)量的年

26、度數(shù)據(jù)、消費品價格指數(shù)的季度數(shù)據(jù)以及股票價格的口數(shù)據(jù)等等都是以時間序列的形式出現(xiàn)的。</p><p>　　隨機過程指隨時間順次發(fā)展且遵從概率法則的統(tǒng)計現(xiàn)象。</p><p>　　1.2 隨機時間序列模型</p><p>　　隨機時間序列的一個最基本特征就是相鄰兩個數(shù)據(jù)之間有相互依賴性，即:兩個隨機數(shù)據(jù)呈現(xiàn)一定的相關(guān)。時間序列分析就是依據(jù)不同時刻變量的相關(guān)關(guān)系進行分析

27、，生成隨機動態(tài)模型來揭示其相關(guān)結(jié)構(gòu)并進行預(yù)測。本文主要采用ARIMA模型的時間序列預(yù)測方法。</p><p>　　1.3 平穩(wěn)時間序列</p><p>　　利用ARIMA模型對時間序列進行分析的時候，要求序列是平穩(wěn)的。非平穩(wěn)的時間序列要轉(zhuǎn)化為平穩(wěn)時間序列再利用ARIMA模型進行預(yù)測。</p><p>　　1.3.1 隨機平穩(wěn)時間序列</p><p

28、>　　隨機平穩(wěn)過程如果一個隨機過程在和時刻變量概率分布的隨機特性不隨時間的改變而改變，我們便稱其為隨機平穩(wěn)過程。隨機平穩(wěn)過程的聯(lián)合分布和條件分布均不隨時間變化而發(fā)生變化，即過程的隨機性具有時間上的不變性，在圖形上表現(xiàn)為所有的樣本點皆在某一水平線上下隨機地波動。由隨機平穩(wěn)過程產(chǎn)生的時間序列即為隨機平穩(wěn)時間序列。如果序列是平穩(wěn)的，則對任意和都有與是同分布的。</p><p>　　所以平穩(wěn)時間序列有以下性質(zhì):&l

29、t;/p><p>　　1、序列的數(shù)學(xué)期望是常數(shù)，記為;</p><p>　　2、序列的方差是常數(shù)，所以</p><p>　　3、序列的自協(xié)方差:是常數(shù)，所以，對于任意。</p><p>　　白噪聲過程是一種特殊的平穩(wěn)序列，也是最簡單的平穩(wěn)時間序列。如果一個平穩(wěn)序列對于任何，都有為常數(shù)</p><p><b>　　

30、為任取的時刻且</b></p><p><b>　　就稱是一個白噪聲。</b></p><p>　　當(dāng)是獨立序列時，稱為獨立白噪聲。</p><p>　　當(dāng)時，稱為零均值白噪聲;</p><p>　　當(dāng)時，稱為標準白噪聲;</p><p>　　平穩(wěn)時間序列的線性模型[[11]</

31、p><p>　　1、自回歸模型((Autoregressive model)</p><p>　　如果一個隨機平穩(wěn)時間序列在任意時刻的取值，都可以表示成為過去個時刻上的數(shù)值的線性組合加上時刻的殘差，并且構(gòu)成殘差的序列表現(xiàn)白噪聲的性質(zhì)。這樣的序列就可以用自回歸模型表示為:</p><p>　　其中:參數(shù)為常數(shù);是自回歸模型系數(shù)，且;為自回歸模型的階</p>

32、<p>　　數(shù);是均值為,方差為的白噪聲序列?？梢员硎緸樯鲜鲂问降钠椒€(wěn)序列模型稱為自回歸模型。階自回歸模型簡記為AR(P).</p><p>　　2、移動平均模型(Moving average model)</p><p>　　如果一個隨機平穩(wěn)時間序列在任意時刻的取值都可以表示為過去個時刻殘差序列的加權(quán)平均值和的和，并且殘差序列表現(xiàn)為白噪聲的性質(zhì)。這樣的時間序列用移動平均模型可以

33、表示成為:</p><p>　　其中:參數(shù)為常數(shù);是自回歸模型系數(shù)，且為自回歸模型的階數(shù);是均值為，方差為的白噪聲序列。符合上述形式的模型稱為移動平均模型。階移動平均模型簡記為:MA(q)。</p><p>　　3、自回歸移動平均模型((Autoregressive Moving Average Model)</p><p>　　自回歸移動平均過程是自回歸過程和移動

34、平均過程的組合。所以自回歸移動平均模型可以表示成為:</p><p>　　顯然此模型是AR(p)和MA(q)的混合形式，稱為混合模型，常記作ARMA( p, q)。當(dāng)時，;當(dāng)時，ARMA( p, 0)=AR( p)。</p><p>　　其中:參數(shù)為常數(shù);是自回歸模型系數(shù)，且為自回歸模型的階</p><p>　　數(shù);是均值為0，方差為的白噪聲序列。上述形式的平穩(wěn)時間

35、序列稱為自回歸移動平均模型，簡記為ARMA (p, q)。</p><p>　　4、自回歸求積移動平均模型((Autoregressive Integrated Moving Average Model)</p><p>　　如果一個時間序列模型是非平穩(wěn)的，在建模的過程中我們必須把他差分次，把它變?yōu)槠椒€(wěn)的，然后用ARMA (p, q)作為它的模型，那么，我們就說那個原始的時間序列是ARIM

36、A (p, d, q)，我們把它稱作是一個自回歸求積移動平均模型。</p><p>　　1.3.2 非平穩(wěn)時間序列</p><p>　　非平穩(wěn)序列時間序列的統(tǒng)計規(guī)律隨著時間推移而不斷發(fā)生變化，即生成變量時間序列的隨機過程的特征隨時間變化。只要平穩(wěn)過程中的三個條件不完全滿足，它所生成的時間序列就是非平穩(wěn)時間序列。非平穩(wěn)時間序列分為兩種:</p><p>　　1、趨勢平

37、穩(wěn)的時間序列時間序列有確定性的時間趨勢，去除這種趨勢后即為平穩(wěn)時間序列。用方程表示為:</p><p>　　其中表示為時間序列在時刻的取值;表示為時間的函數(shù);表示為殘差序列，并且為一平穩(wěn)時間序列。</p><p>　　一般我們討論的只有線性趨勢平穩(wěn)的時間序列。所以可以表示為:</p><p>　　對于線性趨勢平穩(wěn)的時間序列，去掉完全確定的線性趨勢后所形成的時間序列就

38、是一個平穩(wěn)時間序列。即:</p><p>　　為一平穩(wěn)的時間序列。</p><p>　　所以我們可以采用最小二乘法估計這個趨勢，然后利用所估計出來的趨勢進行預(yù)測。</p><p>　　判斷一個時間序列是否能用線性模型擬合這種上升趨勢，就要對的平穩(wěn)性進行檢驗。因為和未知，所以通過最小二乘法估計出和，然后對估計的殘差進行平穩(wěn)性檢驗。</p><p&g

39、t;　　2、差分平穩(wěn)時間序列經(jīng)過一次或者多次差分后的平穩(wěn)時間序列稱為差分平穩(wěn)時間序列[[12,13]。非平穩(wěn)時間序列轉(zhuǎn)化為平穩(wěn)序列所要經(jīng)過的差分的次數(shù)被稱為差分平穩(wěn)序列的階。記為為差分階數(shù),。</p><p>　　一般一階差分記為，即:</p><p><b>　　為差分運算符</b></p><p><b>　　同樣階差分記為，即&

40、lt;/b></p><p>　　一般來說一個非平穩(wěn)時間序列經(jīng)過次差分以后都會變成一個平穩(wěn)的時間序列。</p><p>　　1.3.3 隨機平穩(wěn)時間序列樣本的數(shù)字特征</p><p>　　1、時間序列的樣本均值(mean)</p><p>　　2、時間序列的樣本方差(variance)</p><p>　　3、時

41、間序列樣本的自協(xié)方差((Auto coefficient)</p><p>　　4、時間序列樣本自相關(guān)函數(shù)((Autocorrelation Coefficient)</p><p>　　5、時間序列樣本偏自相關(guān)函數(shù)(Partial Autocorrelation Coefficient)</p><p><b>　　其中代表滯后量,</b>&

42、lt;/p><p>　　1.4 時間序列模型的建模步驟</p><p>　　建立時間序列模型的整個過程由數(shù)據(jù)預(yù)處理、模型的識別、參數(shù)估計和模型檢驗四個部分組成[14--20]</p><p>　　時間序列模型建立基礎(chǔ)是平穩(wěn)時間序列。因此，我們在得到一組樣本數(shù)據(jù)后，應(yīng)先檢查該組數(shù)據(jù)的平穩(wěn)性。</p><p>　　1.4.1 判斷時間序列的平穩(wěn)性&l

43、t;/p><p>　　根據(jù)平穩(wěn)時間序列的特征對其平穩(wěn)性進行判斷，常見的時間序列平穩(wěn)性檢驗主要有以下幾種:(1)利用散點圖進行平穩(wěn)性判斷(2)根據(jù)自相關(guān)函數(shù)判斷(3)單位根檢驗。</p><p><b>　　(1)散點圖檢驗</b></p><p>　　圖2-1平穩(wěn)時問序列的散點圖</p><p>　　圖2-1主要是看時間序列

44、的各觀測值是否在的均值上下來回波動，并且具有相等的方差。</p><p>　　這種方法簡單易行，但往往結(jié)果過于粗糙，精度不高。</p><p>　　根據(jù)樣本自相關(guān)函數(shù)判斷</p><p>　　如果樣本自相關(guān)函數(shù)隨著k的增大，而呈現(xiàn)迅速衰減的狀態(tài)，則認為該序列是平穩(wěn)的;如果衰減非常緩慢則認為該序列是非平穩(wěn)的。</p><p><b>

45、　　(2)單位根檢驗</b></p><p>　　考慮簡單的AR (1)過程</p><p>　　其中，是白噪聲時間序列，而且只有時序列才是平穩(wěn)的;當(dāng)時，序列呈現(xiàn)爆炸性，即會逐漸增大為非平穩(wěn)序列。</p><p><b>　　所以可以寫成</b></p><p><b>　　或者 </

46、b></p><p>　　其中為滯后算子，表示時間序列的滯后。如:的一期滯后可表示為，即:</p><p><b>　　所以，</b></p><p>　　平穩(wěn)的條件就是其特征方程的根的絕對值大于。此方程的唯一的根為，所以平穩(wěn)性要，因此檢驗神平穩(wěn)吐的原假設(shè)和備假設(shè)為:</p><p>　　接收原假設(shè)表明序列是非平穩(wěn)

47、序列，而拒絕原假設(shè)表明序列是平穩(wěn)序列;</p><p>　　如果，則該過程為隨機游走過程，是一種特殊的差分平穩(wěn)過程，是非平穩(wěn)的。</p><p>　　階自回歸過程AP(p)，則可以表示成:</p><p><b>　　其特征方程:</b></p><p>　　只有當(dāng)此方程所有根的絕對值都大于，才能有過程</p>

48、;<p>　　是平穩(wěn)的，如果有一個特征方程根為，則必有一個單位根，這時方程</p><p><b>　　可以寫成:</b></p><p>　　而對于AR(1)模型，則有:</p><p>　　因為大多數(shù)的經(jīng)濟事件序列為正，所以假設(shè)可以寫成:</p><p>　　通過這樣變換，可以把檢驗原參數(shù)，轉(zhuǎn)化為檢驗是

49、否成立，這類檢驗可以分別用兩個檢驗進行:</p><p>　　由于統(tǒng)計量和并不服從分布，而稱之為統(tǒng)計量，其極限分布由富勒(Fuller)所決定，迪基(Dickey)給出其分布經(jīng)驗上的粗略估計。所以此檢驗又稱迪基一富勒檢驗，即檢驗。后來麥金農(nóng)(Mackinnon)通過蒙特卡洛模擬法系統(tǒng)模擬出了這些臨界值，相比檢驗，他們要大得多。</p><p>　　因為:臨界值依賴于回歸方程的類型，所以，對

50、于另外兩種類型的方程:</p><p>　　迪克一富勒還編制了另外兩個統(tǒng)計表。</p><p>　　(3 ) ADF檢驗((Augmented Dickey- Fuller Test)</p><p>　　在ADF檢驗中，我們假設(shè)隨機誤差項是相互獨立的，不存在自相關(guān)，但是大多數(shù)的經(jīng)濟事件序列是不滿足此項調(diào)價的，當(dāng)不滿足時我們采用擴展的迪基一富勒檢驗(Augmente

51、d Dickey，一Fuller Test)方法。</p><p><b>　　所以原來模型變?yōu)?</b></p><p><b>　　(1)</b></p><p><b>　　(2)</b></p><p><b>　　(3)</b></p>

52、;<p><b>　　檢驗步驟如下</b></p><p>　　1、估計模型(3),在給定ADF臨界值的顯著水平下，如果參數(shù)顯著的不為零，則序列不存在單位根，序列平穩(wěn)，結(jié)束檢驗，反之進入第一步;</p><p>　　2、給定，在給定ADF臨界值的顯著水平下，如果參數(shù)顯著的不為零，</p><p>　　存在時間趨勢，進入第3步;否則

53、進入第4步;</p><p>　　3、用分布檢驗，如果參數(shù)顯著的不為零，則序列不存在單位根，序列平穩(wěn)，否則序列不平穩(wěn)，結(jié)束檢驗。</p><p>　　4、估計模型(2),在給定ADF臨界值的顯著水平下，如果參數(shù)顯著的不為零,則序列不存在單位根，序列平穩(wěn)，結(jié)束檢驗，反之進入第5步;</p><p>　　5、給定，在給定ADF臨界值的顯著水平下，如果參數(shù)顯著的不為零，表

54、明含有常數(shù)項，則進入第3步，否則進行下一步;</p><p>　　6、估計模型(1),在給定ADF臨界值的顯著水平下，如果參數(shù)顯著的不為零，則序列不存在單位根，序列平穩(wěn)：結(jié)束檢驗，反之序列不平穩(wěn)。</p><p>　　1.4.2 模型的識別</p><p>　　ARMA模型識識別的方法[[21-22]有很多種，這里我們只考慮使用自相關(guān)函數(shù)和偏才函數(shù)的拖尾和截尾性，來

55、初步判斷所采用的模型類型。</p><p>　　移動平均過程的自相關(guān)系數(shù)特征</p><p>　　對于移動平均過程則有:</p><p><b>　　所以，</b></p><p><b>　　即</b></p><p>　　所以，當(dāng)移動平均的階為時，間隔期大于的自相關(guān)函數(shù)值

56、為零。</p><p>　　在樣本充分大的條件下，自相關(guān)函數(shù)的95%置信區(qū)間為，所以如果自相關(guān)函數(shù)在大樣本的情況下如果落入?yún)^(qū)間內(nèi)，則在5%的顯著水平下不拒絕的假設(shè)。</p><p>　　所以在實踐中當(dāng)時，如果平均20個中至多有一個使，那么我們認為在處截尾。</p><p>　　自回歸過程的自相關(guān)系數(shù)特征</p><p>　　因為是自回歸過程，

57、則有:</p><p><b>　　所以，</b></p><p><b>　　解得:</b></p><p>　　其中，為任意常數(shù)，為特征多項式的特征根，所以在原模型平穩(wěn)性條件下，被負指數(shù)所控制，隨的增大，絕對值下降，但是不會到某一點以后突然被截斷，所以是非截尾的。</p><p>　　自回歸過程

58、的偏相關(guān)函數(shù)特征</p><p>　　偏相關(guān)系數(shù)的定義:與的偏相關(guān)系數(shù)是去掉的線性影響后簡單的相關(guān)系數(shù)。表示如下:</p><p>　　例如在AR (1)過程中，，其中代表偏相關(guān)系數(shù)。</p><p>　　偏相關(guān)系數(shù)的計算基于Yule-Walker方程組：</p><p><b>　　解得:</b></p>

59、<p>　　其中代表滯后量，因此對于AR (p)過程，</p><p>　　當(dāng)時，和之間不存在直接相關(guān)，所以這時所有的都為零，呈現(xiàn)階截尾狀態(tài)。所以在實踐中當(dāng)時，“如果平均20個中至多有一個使，那么我們認為截尾在處。</p><p>　　自回歸滑動平均模型自相關(guān)函數(shù)和偏相關(guān)函數(shù)的特征</p><p>　　若序列與序列皆不截尾，被負指數(shù)函數(shù)控制收斂到零，則很

60、有可能是ARMA序列。</p><p>　　總結(jié)零均值平穩(wěn)序列模型的自相關(guān)和偏相關(guān)函數(shù)的統(tǒng)計特征如下:</p><p>　　表1 ARMA(p, g)模型的白相關(guān)系數(shù)和偏相關(guān)系數(shù)特征</p><p>　　1.4.3 模型的定階</p><p>　　基本思想:確定一個函數(shù)，該函數(shù)既要考慮用某一模型擬合原始數(shù)據(jù)的接近程度，同時又考慮模型中所含參

61、數(shù)的個數(shù)。當(dāng)該函數(shù)取最小值時，就是最合適的階數(shù)。</p><p>　　基于基本思想，如果選擇的滯后長度與真實的滯后長度相同時，模型估計值與觀測值的誤差應(yīng)該最小，所以可以用誤差平方和或者均方誤表示:</p><p><b>　　或者 </b></p><p>　　但是由于隨著解釋變量的增加，SSE和MSE都呈現(xiàn)減小狀態(tài)，這樣的模型擬合度很

62、高，但是擬合效果不一定高，考慮到自由度的影響我們通常都采用AIC準則和BIC準則。</p><p>　　AIC準則((Akaike's Information Criterion), AIC準則又稱為最小信息準則，它是由日本學(xué)者赤池首先提出并成功地應(yīng)用于AR模型的分析定階中，該方法也可用來辨識ARMA模型的階數(shù)。舒瓦茨準則(Schwa}z Bayesian Information Criterion)比赤

63、池準則增加了更嚴格的懲罰條件。舒瓦特信息準則通常簡寫為BIC準則(有的書本也稱SBC準則或者SC準則，本文中采用BIC準則))AIC及BIC的定義函數(shù)為:</p><p><b>　　其中有不同的變形:</b></p><p>　　取對數(shù)可得:

64、 </p><p>　　2、根據(jù)對數(shù)似然函數(shù)變換:</p><p>　　其中為樣本容量。代表模型中參數(shù)的個數(shù)，如果有常數(shù)項，被代替，是噪聲項方差的估計，，在對數(shù)函數(shù)中，是與參數(shù)無關(guān)的量。</p><p>　　理論上，AIC和BIC要盡可能的小，當(dāng)模型擬合優(yōu)度上升時，AIC和BIC的值會趨近于。若模型A的AIC(或者是BI

65、C)小于模型B，則稱模型A優(yōu)于模型B。對于每個模型回歸變量的增加會導(dǎo)致的增加，但殘差平方和會減少。如果回歸變量對模型沒有解釋力，在模型中增加回歸變量只會使AIC和BIC增加。因為，這樣BIC增加回歸變量的邊際成本較大，BIC與AIC相比總是傾向于選擇更簡練的模型。</p><p>　　在這兩個準則中，BIC更具有大樣本特性，在樣本容量無限大時，AIC原則的模型階數(shù)要大于BIC，準則選擇的模型階數(shù)，BIC準則漸趨一

66、致，而AIC更傾向于選擇參數(shù)過多的模型，然而在小樣本的情況下AIC準則的效用要優(yōu)于BIC準則。</p><p>　　1.4.4 模型參數(shù)的估計</p><p>　　模型參數(shù)的估計主要采用最小二乘或者極大似然估計，這兩種方法的估計精度較高，所以稱為精估計。本文主要采用Eviews軟件，直接給出了參數(shù)的估計值。</p><p>　　1.4.5 模型檢驗</p>

67、;<p>　　模型的檢驗主要從以下幾個方面判斷:(1)、所有的系數(shù)是否都顯著不為零;(2)、殘差序列是否為白噪聲;(3)、預(yù)測是否準確;(4)、是否有更大的擬合優(yōu)度和更小的AIC值和BIC值;(5)、是否有更簡單的模型;（6)、是否有直觀意義和經(jīng)濟理論基礎(chǔ):</p><p>　　1、對于殘差序列是否為白嗓聲，要繪制殘差得自相關(guān)和偏相關(guān)圖，看自相關(guān)系數(shù)和偏相關(guān)系數(shù)是否在0.05的置信區(qū)間內(nèi)。</

68、p><p>　　2、Box-Piece Q統(tǒng)計量</p><p>　　給出統(tǒng)計量計算函數(shù)，為樣本長度，是樣本子相關(guān)系數(shù)，主觀給定，一般在15-20之間，一般令。</p><p>　　原假設(shè)殘差是白噪聲過程，統(tǒng)計量漸進服從分布，如果模型中含有常數(shù)項，則模型漸進服從的，所以給定置信度(通常為0.05或者0.01)，若，則不能拒絕殘差是白噪音的假設(shè)，檢驗通過，否則檢驗不能通過

69、。</p><p><b>　　3、D. W值</b></p><p>　　D. W值源于Durbin-Wstson檢驗，主要是檢查殘差序列的自相關(guān)特性。</p><p>　　D. W統(tǒng)計量又稱統(tǒng)計量，其函數(shù)表達式為:</p><p>　　因為可以看作是與之間的自相關(guān)系數(shù)，又由于自相關(guān)系數(shù)處于和之間，所以統(tǒng)計量位于0到4

70、之間。又以下關(guān)系:</p><p>　　時，殘差之間存在正相關(guān);</p><p>　　時，殘差之間不存在相關(guān);</p><p>　　時，殘差之間存在負相關(guān)。</p><p>　　Durbin-Wstson檢驗給出了不同的樣本容量和不同的自變量個數(shù)在不同的顯著水平的檢驗臨界值。一般來說如果D. W值距離2較遠，就認為有一定程度的自相關(guān)。但同時值

71、得注意的一點是:Durbin-Wstson檢驗只能檢驗殘差序列的一階相關(guān)，不能檢驗殘差序列的高階相關(guān)。</p><p>　　4、樣本決定系數(shù)和修正的</p><p>　　因為模型的總方差進行分解為:</p><p><b>　　即</b></p><p><b>　　而</b></p>

72、<p>　　修正的取值范圍一般為[0,1]，也可能是絕對值很小的負數(shù)。同一類型的模型，修正越高，越接近1，擬合越理想。當(dāng)修正等于1時，表明模型完全擬合。</p><p>　　1.5 預(yù)測評價中的其他指標</p><p>　　預(yù)測評價中的其他指標是</p><p><b>　　誤差均值</b></p><p>

73、<b>　　絕對誤差</b></p><p><b>　　絕對誤差百分比</b></p><p><b>　　均方根誤差率</b></p><p>　　Theil inequality coefficient=，Theil不等系數(shù)取值在0-1之間。當(dāng)?shù)扔?時，表示100%的擬合;</p>

74、<p>　　偏倚比率(bias proportion)=，偏倚比率側(cè)量預(yù)測平均值與實際平均值之差的平方占誤差均方的比率;</p><p>　　方差比率(variance proportion)=，方差比率測量的是的預(yù)測值和實際值的分布偏倚標準之差的平方占誤差均方的比;</p><p>　　協(xié)方差比率(covariance proportion)=，協(xié)方差比率是測占誤差均方的比率

75、，其中表示樣本容量，n表示樣本外預(yù)測數(shù)，表示預(yù)測值，表示實際值。</p><p>　　2 ARlMA模型在同德化工（002360）股票中的定量分析</p><p>　　2.1 同德化工（002360）股票的日開盤指數(shù)選樣</p><p>　　同德化工是由山西同德化工有限公司整體變更設(shè)立的股份有限公司，股本總額4000萬元。2006年1月18日，同德化工在山西省工商行

76、政管理局辦理了變更登記，注冊號為：1400002004534。2007年12月20日，公司注冊資本增加到4500萬元，并在山西省工商行政管理局辦理了變更登記，注冊號為：140000200045347。</p><p>　　本文選取同德化工（002360）股票從2010年3月3日到2016年4月25日的每日收盤價的對數(shù)收益率作為樣本數(shù)據(jù)，其中每日股票的對數(shù)收益率為相鄰交易日收盤價的自然對數(shù)一階差分，即，數(shù)據(jù)來源于同

77、花順軟件。</p><p>　　2.2 時間序列的平穩(wěn)性檢驗</p><p>　　2.2.1 散點圖檢驗</p><p>　　由圖3-1可以看出，序列符合零均值同方差的特征?？梢源笾碌墓烙?，同德化工股票日線時間序列的一階差分是平穩(wěn)的。</p><p>　　2.2.2 自相關(guān)系數(shù)判斷</p><p>　　由圖3-2所示，

78、殘差序列的自相關(guān)系數(shù)在滯后期1后都顯著落在置信區(qū)間內(nèi)，可大致斷定一階差分序列是平穩(wěn)的。</p><p>　　圖3-1同德化工股票日線時間序列的一階差分圖</p><p>　　圖3-2同德化工日線時間序列自相關(guān)和偏相關(guān)系數(shù)圖</p><p>　　3 河北省消費結(jié)構(gòu)的描述性統(tǒng)計分析</p><p>　　3.1 恩格爾系數(shù)分析</p>

79、<p>　　恩格爾系數(shù)指的是食品支出占消費總支出的比重。由恩格爾定律可知：一個家庭收入越少，家庭收入中用來購買食物的支出所占的比例就越大，隨著家庭收入的增加，家庭收入中用來購買食物的支出比例則會下降。</p><p>　　恩格爾系數(shù)是反映居民消費水平的重要指標，它的值越低，居民的消費水平越高。恩格爾系數(shù)達59%以上為貧困，50-59%為溫飽，40-50%為小康，30-40%為富裕，低于30%為最富裕。

80、</p><p>　　由表2和表3可以得到如下的恩格爾系數(shù)變化折現(xiàn)對比圖：</p><p>　　圖1 河北省恩格爾系數(shù)對比圖</p><p>　　從上圖中可以清楚的看到許多現(xiàn)象。</p><p>　　第一，從變化趨勢看，十年中城鄉(xiāng)居民恩格爾系數(shù)都有所下降。這充分說明在這十年中，隨著我省經(jīng)濟的發(fā)展，我省城市和鄉(xiāng)村居民的消費水平都有所提高。&l

81、t;/p><p>　　第二，從變化幅度看，農(nóng)村居民恩格爾系數(shù)變化幅度較大，城鎮(zhèn)恩格爾系數(shù)變化幅度較小。說明農(nóng)村在這十年的發(fā)展中，消費水平提高的幅度比城市大，也展示了農(nóng)村消費水平提高，消費結(jié)構(gòu)轉(zhuǎn)型的巨大潛力。</p><p>　　第三，從具體細節(jié)看，在2008年城鄉(xiāng)恩格爾系數(shù)較上一年有所上升，可能是經(jīng)濟危機導(dǎo)致居民消費水平下降。特別是在2011年農(nóng)村居民恩格爾系數(shù)小于了城市，這可能和國家在經(jīng)濟危

82、機后為了促進農(nóng)村消費而實行的家電下鄉(xiāng)等的一系列政策有關(guān)。隨著經(jīng)濟的復(fù)蘇，和消費水平的穩(wěn)步提高，到2014年城市居民的恩格爾系數(shù)又低于鄉(xiāng)村。</p><p>　　3.2 衣著和房屋消費分析</p><p>　　根據(jù)表2和表3可以得到如下的城鄉(xiāng)居民衣著和房屋消費對比圖如圖2和圖3。</p><p>　　圖2 河北省衣著消費城鄉(xiāng)對比圖</p><p&

83、gt;　　圖3 河北省住房消費城鄉(xiāng)對比圖</p><p>　　上面兩幅圖反映了一個非常值得注意的現(xiàn)象：</p><p>　　在2005年到2014年這十年間，城鎮(zhèn)居民在衣著方面的消費比例都是高于農(nóng)村居民，而農(nóng)村居民在住房方面的消費比例都高于城鎮(zhèn)。</p><p>　　這種現(xiàn)象的產(chǎn)生有其深刻的社會現(xiàn)實根源。盡管在城鄉(xiāng)一體化發(fā)展的今天，城鄉(xiāng)居民之間在收入水平的上的差距

84、還是存在的，加之消費觀念的不同，城鎮(zhèn)居民更加注重對生活質(zhì)量和時尚元素的追求，導(dǎo)致了城鎮(zhèn)居民以更高的比例在衣著上消費。在這十年里，我省經(jīng)濟發(fā)展的總趨勢就是農(nóng)村居民城鎮(zhèn)化，越來越多的農(nóng)村居民為了追求更美好的生活，來到了基礎(chǔ)設(shè)施相對完善的城市，并在城市中買了自己的商品房，再加上城市居民本身就生活在城市，他們本身有自己的住房，對住房消費的需求不大，有很大一部分住房消費僅是為了投資，所以農(nóng)村居民用更高的比例來用于住房消費。</p>

85、<p>　　3.3 交通通信和文化教育消費分析</p><p>　　根據(jù)表2和表3可以得到如下的城鄉(xiāng)居民交通通信和文化教育消費對比圖如圖4和圖5：</p><p>　　圖4 河北省交通通信消費城鄉(xiāng)對比圖</p><p>　　圖5 河北省文化教育消費城鄉(xiāng)對比圖</p><p>　　從圖4和圖5可以看出，在交通通信和文化教育兩個方面

86、消費的比例城鎮(zhèn)的都高于農(nóng)村的，但是這種比例的差異并不是特別的大，尤其是在交通通信上的差異并不是非常大。</p><p>　　產(chǎn)生這種現(xiàn)象的主要原因是在當(dāng)今的社會上，不管是在城鎮(zhèn)還是在鄉(xiāng)村，人們對出行和交流的需求是一樣的，所以投入的消費比例也大體相同。在中國自古就有重視文化教育的風(fēng)氣，不論是城鎮(zhèn)居民還是鄉(xiāng)村居民，他們都非常注重子女的教育，所以消費的比例差異也并不是太大。</p><p>　　

87、3.4 家用服務(wù)和醫(yī)療保健消費分析</p><p>　　根據(jù)表2和表3可以得到如下的城鄉(xiāng)居民交通通信和文化教育消費對比圖如圖6和圖7：</p><p>　　圖6 河北省家用設(shè)備及服務(wù)消費城鄉(xiāng)對比圖</p><p>　　圖7 河北省醫(yī)療保健消費城鄉(xiāng)對比圖</p><p>　　從圖6中的家用設(shè)備和服務(wù)消費比例的變化趨勢可以看出，在2005到2

88、008年間，城鄉(xiāng)的消費比例還是有很大差異的，但在隨后的幾年間，城鎮(zhèn)的消費比例幾乎沒發(fā)生明顯的變化，而鄉(xiāng)村的消費比例卻一直不斷的提升最終達到了非常接近的水平，尤其是2009年前后增幅非常明顯。這一方面證明了，在經(jīng)濟危機以后，國家實行的促進農(nóng)村消費的政策發(fā)揮了很大作用；在另一方面也證明了，在這次浪潮中農(nóng)民消費觀念的改變。</p><p>　　從圖7的醫(yī)療保健消費比例的變化趨勢看，在最初，城鎮(zhèn)的消費比例高，鄉(xiāng)村的消費比

89、例低。隨著時間的推移城鎮(zhèn)居民的消費比例不斷下降，而農(nóng)村的消費比例不斷上升，最終達到了農(nóng)村高于城市的現(xiàn)狀。這充分說明，隨著經(jīng)濟的發(fā)展和消費水平的提高，城市居民雖然在醫(yī)療保健的消費量上沒有很大變化，但在消費總量提升的狀況下，比例不斷下降；而在農(nóng)村隨著經(jīng)濟條件的提高人們越來越重視在健康方面的投資，消費也比例不斷上升。</p><p>　　4 河北省消費結(jié)構(gòu)的因子分析</p><p>　　4.1

90、原數(shù)據(jù)與數(shù)據(jù)預(yù)處理</p><p>　　4.1.1 原始數(shù)據(jù)的選取</p><p>　　通過表2和表3各項對應(yīng)做差取絕對值就得到了因子分析之前，反映結(jié)構(gòu)差異的原數(shù)據(jù)，得到下表。</p><p>　　表4 河北省城鄉(xiāng)居民消費結(jié)構(gòu)差異（%）</p><p>　　數(shù)據(jù)來源：《河北經(jīng)濟年鑒（2005-2014）》</p><p&

91、gt;　　4.1.2 數(shù)據(jù)預(yù)處理</p><p>　　在因子分析之前有兩個工作要做：一是將數(shù)據(jù)標準化；二是對變量進行因子分析的可行性判定。數(shù)據(jù)的標準化是可以利用spss軟件，在計算機上自動進行。</p><p>　　利用spss得到了標準化的數(shù)據(jù)如下表5。</p><p>　　表5 河北省城鄉(xiāng)居民消費結(jié)構(gòu)差異標準化數(shù)據(jù)（%）</p><p>

92、;　　標準化后就要對數(shù)據(jù)進行因子分析前的可行性分析利用spss軟件可以得到下表。</p><p><b>　　表6解釋的總方差</b></p><p>　　由上表可以看到，前兩個主成分集中了原始兩個變量信息的72.849%，可見原始變量之間有較強的相關(guān)性，故進行因子分析是合適的．</p><p>　　4.2 確定公共因子和載荷矩陣</p&

93、gt;<p>　　由表六可知由原始變量有8個，通過因子分析按照特征根大于1的原則，選入兩個公共因子，其累計方差貢獻率為72.849，涵蓋大部分消費的有效信息。選取的兩個公共因子，可以對河北省城鎮(zhèn)居民消費結(jié)構(gòu)變動情況作出較好的解釋．</p><p>　　不妨設(shè)兩個公共因子分別為根據(jù)如下因子載荷矩陣（成分矩陣）和成分得分矩陣：</p><p><b>　　表7 成分矩陣

94、</b></p><p>　　表8 成份得分系數(shù)矩陣</p><p>　　以衣著消費差異()為例，即有</p><p>　　4.3 因子旋轉(zhuǎn)與兩個公因子的實際含義</p><p>　　由于此時得到的未旋轉(zhuǎn)的公共因子的實際不好解釋，所以，對公共因子進行方差最大化正交旋轉(zhuǎn)得到下表。</p><p><b&

95、gt;　　表9 旋轉(zhuǎn)成份矩陣</b></p><p>　　由上述結(jié)論可知，旋轉(zhuǎn)后公因子擁有定義原變量的能力沒有改變，但因子載荷矩陣及因子得分系數(shù)矩陣都發(fā)生了變化，因子載荷矩陣中的元素更傾向于0或者．表9是旋轉(zhuǎn)后的因子載荷矩陣．原變量可由各因子表示為：</p><p>　　原變量可由各因子表示為：</p><p><b>　　其余以此類推．<

96、;/b></p><p>　　由旋轉(zhuǎn)后的因子載荷矩陣（表9）可以看出，第一公共因子在（食品消費差異），（居住消費差異），（醫(yī)療保健消費差異），三個方面有較大載荷，表明該因子綜合反映了這四個方面的變動．它涉及到城鎮(zhèn)居民的吃、住和醫(yī)療保健，反映城鎮(zhèn)居民消費的基本物質(zhì)要求和精神追求要求，由此可定義為生存型消費差異。</p><p>　　第二公共因子在（衣著消費差異），（家用及服務(wù)消費差異）

97、，（其他消費差異），三個方面有較大載荷，表明該因子綜合反映了這三個方面的變動．它涉及到城鎮(zhèn)居民用于衣著時尚、旅游、和家政服務(wù)方面的支出，由此可定義為享受型消費差異。</p><p>　　將剩下的（交通通信消費差異），（文教娛樂及服務(wù)消費差異）歸為發(fā)展性消費差異。</p><p>　　4.4 計算因子得分與差異趨勢</p><p>　　最后，計算因子得分，以各因子的方

98、差貢獻率占兩個因子總方差貢獻率的比重作為權(quán)重進行加權(quán)匯總，得出各個年份的綜合得分，即</p><p>　　綜合得分可以反映河北省近幾年城鎮(zhèn)居民消費結(jié)構(gòu)變化的綜合情況．</p><p>　　表10 各因子得分及綜合得分</p><p>　　表10給出了2005-2014年的河北省城鎮(zhèn)居民消費結(jié)構(gòu)變動的分析結(jié)果，從兩個公因子的綜合得分來看，自2005年以后，城鄉(xiāng)居民的綜

99、合消費支出結(jié)構(gòu)差異總體呈先上升后下降的走勢。尤其在2009年，消費結(jié)構(gòu)差異也達到了最大水平。</p><p><b>　　5 結(jié)論與建議</b></p><p>　　5.1 差異現(xiàn)狀分析</p><p>　　根據(jù)第四部分的因子分析可知，在描述消費結(jié)構(gòu)的八個變量中，食品和住房支出可以歸納為一個綜合因子，那就反映居民基本生活需求的生存型消費。通過描

100、述性統(tǒng)計分析，就可以輕易發(fā)現(xiàn)鄉(xiāng)村居民在這兩個方面的支出比例均高于城鎮(zhèn)，而且，這種差距是非常巨大的。</p><p>　　衣著、家用及服務(wù)和其他支出可以歸納為一個綜合因子，那就反映滿足居民生理和心理娛樂需求的享受型消費。通過描述性統(tǒng)計分析，就可以輕易發(fā)現(xiàn)城鎮(zhèn)居民在這三個方面的支出比例均高于鄉(xiāng)村，但這三項中各項的城鄉(xiāng)差距并不是太大。只是因為歸入的變量有三個才使得城鎮(zhèn)享受型消費比例遠高于鄉(xiāng)村。</p>&

101、lt;p>　　醫(yī)療保健、交通通信和文化教育支出可以歸納為一個綜合因子，那就反映居民追求自身健康發(fā)展的發(fā)展型消費。通過實證分析，也可以輕易發(fā)現(xiàn)城鄉(xiāng)居民在這三個方面的支出比例差異是不明顯的。</p><p><b>　　5.2 原因分析</b></p><p>　　根據(jù)恩格爾定律逆向回推，類比的可以得到這樣的結(jié)論：如果人們在基本生活消費的比例比較大，這就說明他們收入

102、水平也是較低的。因為在我省城鄉(xiāng)一直存在著二元化的結(jié)構(gòu)體系，這種結(jié)構(gòu)體系主要體現(xiàn)在：基礎(chǔ)設(shè)施方面，城鎮(zhèn)比鄉(xiāng)村更為完備；社會保障方面，城鎮(zhèn)比鄉(xiāng)村更加健全；城鎮(zhèn)居民的工作機會和工資水平都高于鄉(xiāng)村。這使得城鄉(xiāng)之間在生存型消費方面產(chǎn)生巨大的差異。</p><p>　　雖然說：“倉廩實而知禮儀”，只有滿足了基本生活需求，人們才能拿出錢去追求更高的享受。但我省農(nóng)村居民享受型消費結(jié)構(gòu)低于城市的主要原因不是我省農(nóng)村居民基本生活沒有

103、得到保障。因為，事實上在全國來說，我省的經(jīng)濟發(fā)展?fàn)顩r比較靠前，無論是城鎮(zhèn)還是鄉(xiāng)村，人們的生活都達到了總體小康水平，鄉(xiāng)村居民的基本生活需求早就的到了保障。但是，鄉(xiāng)村居民的消費觀念還是上個世紀計劃經(jīng)濟體系下那種多儲蓄少消費的保守消費觀念，尤其是有些持家的農(nóng)村婦女，她們還認為花錢旅游、打扮是不會過日子的表現(xiàn)。所以，消費觀念的落后才是農(nóng)村享受型消費比例比農(nóng)村低的主要原因。</p><p>　　自古以來，我們就有一種：“萬

104、般皆下種，唯有讀書高”的文化信仰。城鄉(xiāng)居民都是非常注重子女教育，所以在消費結(jié)構(gòu)比例上沒有多大差別。</p><p><b>　　5.3 建議</b></p><p>　　為了縮小在生存型消費存在的差異，政府應(yīng)該繼續(xù)發(fā)揮核心作用。加快城市部分職能轉(zhuǎn)移步伐，提高農(nóng)村基礎(chǔ)設(shè)施的投入力度，這樣既解決了城市化過熱導(dǎo)致的交通擁堵等問題，也能吸引資金人才促進了農(nóng)村地區(qū)人口的就業(yè)和

105、收入。</p><p>　　為了提高農(nóng)村居民在享受型消費的比例，就必須轉(zhuǎn)變農(nóng)村居民消費觀念，促進消費結(jié)構(gòu)升級。然而，在數(shù)量上農(nóng)村居民用在教育方面的投資還是比城鎮(zhèn)少，為了教育發(fā)展的公平。我省還是應(yīng)該盡量統(tǒng)籌城鄉(xiāng)教育經(jīng)費的投入，使農(nóng)村那些上不起學(xué)的孩子，可以有學(xué)上；是那些條件艱苦的學(xué)校，也可以換新教室。</p><p>　　交通通信、醫(yī)療是城鄉(xiāng)居民生活所必須的，都必須投入一定的比例來消費。但同

106、樣的，數(shù)量上還是城市居民占優(yōu)勢，因為城市的醫(yī)保和社保體系較農(nóng)村更加健全。為了促進我省經(jīng)濟持續(xù)健康發(fā)展，就必須健全農(nóng)村社保、醫(yī)保體系，推進城鄉(xiāng)一體化。</p><p><b>　　參考文獻</b></p><p>　　[1]張茉楠．二元結(jié)構(gòu)對農(nóng)村經(jīng)濟發(fā)展的分析[J]．發(fā)展研究，2010</p><p>　　[2]吳棟，李樂夫，李陽子．近年居民消費

107、結(jié)構(gòu)統(tǒng)計分析的研究綜述—關(guān)于因子分析和聚類分析的應(yīng)用[J]．?dāng)?shù)理統(tǒng)計與管理，2007（05）</p><p>　　[3]王芳，王景東．我國城鎮(zhèn)消費結(jié)構(gòu)的因子分析[J]．商業(yè)研究，2004（21）</p><p>　　[4]辛燕．基于主成分分析視角的我國城鎮(zhèn)居民消費結(jié)構(gòu)[J]．商業(yè)文化（學(xué)術(shù)版）,2010（07）</p><p>　　[5]石夏星．因子分析在居民消費結(jié)

108、構(gòu)變動分析中的應(yīng)用[J]．商業(yè)文化（下半月），2011（12）</p><p>　　[6]S·Duesenberry．Income　saving　and the theory of consumer behavior[J]．Oxford Universitypress　 l967:214-223</p><p>　　[7]張國華．中國城鎮(zhèn)居民結(jié)構(gòu)的聚類分析[J]．重慶工商大

109、學(xué)學(xué)報（社會科學(xué)版），2008（01）</p><p>　　[8]范新英，胡煒童．全國城鎮(zhèn)居民消費結(jié)構(gòu)的變動分析[J]．科技信息（科學(xué)教研），2007（23）</p><p>　　[9]范建平．我國城鄉(xiāng)居民消費結(jié)構(gòu)的變化趨勢[J]．宏觀經(jīng)濟管理，2000（07）</p><p>　　[10]周建軍，王韜．近十年我國城鎮(zhèn)居民消費結(jié)構(gòu)研究[J]．管理科學(xué)，2003（02

110、）</p><p>　　[11]張紅偉，吳瑾．我國城市居民消費結(jié)構(gòu)的實證研究[J]．大連理工大學(xué)學(xué)報，2011</p><p>　　[12]于秀林．多元統(tǒng)計分析[M]．北京：中國統(tǒng)計出版社，1999</p><p><b>　　附錄</b></p><p>　　附錄1 城市居民消費情況源數(shù)據(jù)</p>&l

111、t;p>　　數(shù)據(jù)來源：《河北經(jīng)濟年鑒（2005-2015）》</p><p>　　附錄2 農(nóng)村居民消費情況源數(shù)據(jù)</p><p>　　數(shù)據(jù)來源：《河北經(jīng)濟年鑒（2005-2015）》</p><p><b>　　致　謝</b></p><p>　　四年的時光匆匆而逝，我沒還沒來得急好好體味這美好的青春時光，我們就

112、已經(jīng)畢業(yè)，又要踏上人生的另一個旅程。在這個畢業(yè)論文即將完成的時刻，我唯一想做的就是向我的母校致予深深的敬意。感謝她四年來提供給我溫馨的生活環(huán)境和優(yōu)良的學(xué)習(xí)環(huán)境；更要感謝她四年來提供給我的一流的師資力量。</p><p>　　感謝我的指導(dǎo)老師溫玉對我的關(guān)心和教導(dǎo)。在論文選題、成稿和修改的全過程中，溫玉老師一直給予我?guī)椭椭С?。用她的專業(yè)知識，在我沒有思路的時候，啟發(fā)我得出新想法思路；在我粗心大意的時候，提醒我在哪里