基于GIS技术的GDP空间化处理方法

利用基于LANDSAT TM信息获取的1∶10万比例尺的土地利用/覆盖数据,建立与统计型GDP数据的多元相关关系模型,计算各种土地利用类型中的GDP系数,在GIS支持下计算出西部12省区1 km2格网GDP空间分布数据.     

混合时间序列模型在经济增长预测中的应用

把趋势外推模型和ARIMA模型结合起来可构建混合时间序列这一新的预测模型.利用该模型,并以1978~2000年我国GDP总量数据为依据,通过Eviews5.0软件对模型进行估计,并根据建立的新模型对2001~2004年GDP总量作预测效果检验.结果表明,通过混合时间序列模型实施预测,误差相对较小,效果更好.     

中国人均GDP的ARIMA模型分析与预测

人均GDP是反映一个国家综合实力的重要经济指标,由于经济波动的影响和随机因素的干扰,一般单变量模型模拟的效果较差,利用ARIMA(1,1,2)模型建模,可用过去人均GDP的值和过去误差来预测未来人均GDP的走势,有较强的预测能力,从而为经济政策的调整和制定提供参考.     

基于邻近度的安徽省人均GDP组合预测模型

针对安徽省人均GDP预测问题,以安徽省2000—2018年人均GDP数据为研究区间,其中2000—2017年数据作为训练集,2018年数据作为测试集,提出了一类新的预测评价指标-邻近度及基于邻近度的组合预测模型,并引入一种新的组合权系数求解方法;首先对训练集进行单项预测,即对训练集数据进行指数预测、抛物线预测和移动平均预测,接下来对各单项预测值综合考虑,建立基于邻近度的加权几何平均组合预测模型,通过求解模型得出各单项预测权系数进而求出基于邻近度的组合预测值,最后分别在测试集和训练集上与其他预测方法预测结果进行比较,并预测安徽省2019—2021年人均GDP数据。     

山西省人均GDP的发展态势-基于时间序列、最小二乘回归、分位数回归方法

以山西省1980年到2010的人均GDP的资料为依据,利用时间序列分析中的ARMA模型、普通最小二乘回归OLS以及分位数回归模型对山西省人均GDP进行分析研究,以揭示山西省人均GDP增长变化的规律,从而为山西省制定相应的宏观调控政策提供依据。     

基于宏观经济变量的国债负担率动态变化分析

建立了一个基于宏观经济变量的国债负担率模型,利用我国1995～2004年的国债相关数据,对我国的国债信用风险进行了实证分析,从结果来看,我国还存在着一定的发债空间,但在宏观经济变量的影响下,我国的国债同样存在着一定的信用风险,需要谨慎对待．     

基于最小二乘支持向量机的福建省GDP预测研究

提出一种基于最小二乘支持向量机的福建省GDP预测方法.采用径向基核函数进行仿真模拟,经过参数选优建立了精度较高的预测模型.预测结果表明,利用最小二乘支持向量机进行预测具有误差小、拟合程度高等优点,可适用于GDP的预测.     

影响深圳市GDP增长的因素分析

对1979年到2006年深圳市的GDP与实际利用外资额、工业增加值、净出口和社会消费品零售总额的有关统计数据进行多元线性回归分析和自回归分析．结果表明：影响深圳市GDP增长的主要因素是工业增加值、社会消费品零售总额和净出口,而实际利用外资额只是次要因素这结果可为深圳市制订经济发展计划提供决策参考．     

Integrating Quarterly Data into a Dynamic Factor Model of US Monthly GDP

This paper develops and estimates a dynamic factor model in which estimates for unobserved monthly US Gross Domestic Product (GDP) are consistent with observed quarterly data. In contrast to existing approaches, the quarterly averages of our monthly estimates are exactly equal to the Bureau of Economic Analysis (BEA) quarterly estimates. The relationship between our monthly estimates and the quarterly data is therefore the same as the relationship between quarterly and annual data. The study makes use of Bayesian Markov chain Monte Carlo and data augmentation techniques to simulate values for the logarithms on monthly US GDP. The imposition of the exact linear quarterly constraint produces a non‐standard distribution, necessitating the implementation of a Metropolis simulation step in the estimation. Our methodology can be easily generalized to cases where the variable of interest is monthly GDP and in such a way that the final results incorporate the statistical uncertainty associated with the monthly GDP estimates. We provide an example by incorporating our monthly estimates into a Markov switching model of the US business cycle. Copyright © 2016 John Wiley & Sons, Ltd.     

BP神经网络在GDP预测中的应用研究

在经济预测中,通常采用回归分析方法建立模型对经济运行进行拟合,但由于经济系统的复杂性,许多回归模型尤其是线性回归模型难以达到要求的精度。本文采用BP神经网络方法建模,利用其自学习和非线性的突出特点,得到了较为满意的预测结果。