跳到主要內容

臺灣博碩士論文加值系統

(3.235.120.150) 您好!臺灣時間:2021/08/06 03:10
字體大小: 字級放大   字級縮小   預設字形  
回查詢結果 :::

詳目顯示

: 
twitterline
研究生:田明暉
研究生(外文):MING-HUI,Tien
論文名稱:以時間數列ARIMA與VARMA模式分析及預測台灣地區失業率與工業部門勞動生產力
指導教授:羅琪羅琪引用關係
指導教授(外文):Chi,Lo
學位類別:碩士
校院名稱:中華大學
系所名稱:應用數學系碩士班
學門:數學及統計學門
學類:數學學類
論文種類:學術論文
論文出版年:2007
畢業學年度:95
語文別:中文
論文頁數:126
中文關鍵詞:時間數列
外文關鍵詞:ARIMAVARMA
相關次數:
  • 被引用被引用:11
  • 點閱點閱:780
  • 評分評分:
  • 下載下載:231
  • 收藏至我的研究室書目清單書目收藏:3
一個國家的經濟是否能持續成長,勞動生產力扮演著關鍵的角色;失業率高低則為判定一個國家落後與否的依據,因此失業率與勞動生產力皆是國家經濟發展重要的指標。本論文想要藉由統計的理論與方法來對失業率與工業部門勞動生產力做未來的預測,及早知道趨勢的好壞將有助於對問題提出解決因應之道。本論文蒐集了自1982年1月到2006年8月共296筆的失業率與工業部門勞動生產力指數進行分析,由於失業率與工業部門勞動生產力都具有時間數列的特質,因此本論文運用時間數列分析法,採單變量ARIMA模式及多變量VARMA模式建構失業率與工業部門勞動生產力的預測模式,並且對預測模式做適合性檢定與預測能力比較。結果我們發現,運用單變量所建構出來的預測模式預測未來三期實際指數要比用多變量所建構出的預測模式預測未來三期實際指數要來的接近,再由多變量方法分析出,失業率與工業部門勞動生產力兩者的相關度性並不高,因此對於失業率與工業部門勞動生產力的預測,以單變量的預測模式來對未來的趨勢做預測較為理想。
摘要.......................... II
誌謝辭.......................... III
目錄.......................... IV
圖目錄......................... IX
表目錄......................... XII
附錄目錄........................ XV

第一章 前言....................... 1
1.1 研究的背景....................1
1.1.1 失業率的簡介.................1
1.1.2 勞動生產力的簡介...............5
1.2 研究的目的....................9
1.3 資料的來源................... 10
1.4 研究的方法................... 10
1.4.1 模式的確認.................11
1.4.2 模式的估計.................13
1.4.3 模式的診斷檢查...............13
1.4.4 預測.................... 14
1.5 分析的流程................... 15
第二章 失業率的單變量時間數列的分析與預測........16
2.1 模式的確認.................... 16
2.1.1 失業率的時間數列圖.............. 16
2.1.2 失業率的ACF圖與PACF圖.......... 18
2.1.3 一次差分後的失業率的時間數列圖........ 19
2.1.4 一次差分後的失業率的ACF圖與PACF圖.... 20
2.1.5 一次差分與一次季節差分後的失業率的時間數列圖....................... 21
2.1.6 一次差分與一次季節差分後的失業率的ACF圖與PACF圖................... 22
2.1.7 模式階次的建立................ 23
2.1.8 常數項的檢定................. 24
2.2 模式的估計.................... 25
2.2.1 SARIMA(4,1,4)×(4,1,0)12模式的估計....... 25
2.2.2 SARIMA(0,1,4)×(4,1,0)12模式的估計....... 26
2.2.3 SARIMA(4,1,1)×(4,1,4)12模式的估計....... 27
2.2.4 SARIMA(4,1,2)×(4,1,0)12模式的估計....... 29
2.3 模式的診斷檢查................. 30
2.3.1 是白干擾(white noise)的檢查........ 30
2.3.2 模式適當性的檢定............... 35
2.4 模式的比較與選擇................. 41
2.5 預測....................... 43
2.5.1 預測值...................43
2.5.2 預測誤差................... 45
第三章 勞動生產力的單變量時間數列的分析與預測......47
3.1 模式的確認.................... 47
3.1.1 勞動生產力的時間數列圖............ 47
3.1.2 ln勞動生產力的時間數列圖..........48
3.1.3 ln勞動生產力的ACF圖與PACF圖....... 49
3.1.4 一次差分後的ln勞動生產力的時間數列圖.... 50
3.1.5 一次差分後的ln勞動生產力的ACF圖與PACF圖. 51
3.1.6 一次季節差分後的ln勞動生產力的時間數列圖.. 53
3.1.7 一次季節差分後的ln勞動生產力的ACF圖與PACF圖...................... 53
3.1.8 模式階次的建立................ 55
3.1.9 常數項的檢定................. 55
3.2 模式的估計................... 56
3.2.1 SARIMA(2,0,0)×(4,1,0)12模式的估計....... 56
3.2.2 SARIMA(3,0,0)×(4,1,0)12模式的估計....... 57
3.2.3 SARIMA(3,0,0)×(4,1,1)12模式的估計....... 58
3.2.4 SARIMA(3,0,0)×(4,1,4)12模式的估計...... 59
3.3 模式的診斷檢查................. 61
3.3.1 是白干擾(white noise)的檢查........ 61
3.3.2 模式適當性的檢定............... 66
3.4 模式的比較與選擇................. 72
3.5 預測....................... 73
3.5.1 預測值.................... 74
3.5.2 預測誤差................... 77
第四章 失業率與勞動生產力的雙變量時間數列的分析與預測.. 79
4.1 模式的確認................... 79
4.1.1 一次差分與一次季節差分後的失業率與勞動生產力的交互相關分析................. 80
4.1.2 一次差分與一次季節差分後的失業率與勞動生產力的偏自迴歸相關分析............... 82
4.2 模式的估計................... 84
4.3 模式的診斷與檢查................ 85
4.4 預測....................... 86
4.4.1 預測值.................... 86
4.4.2 預測誤差................... 87
第五章 結論...................... 89
參考文獻與網址...................... 92
附錄........................... 94
[1] Box, G. E. P. and G. M. Jenkins (1976). Time Series Analysis Forecasting and Control, 2nd edition. Holden-Day, San Francisco.
[2] Huang, Wen-Yang and Nan-Jung Hsu (2005). Rainfall prediction for Taiwan area using global sea surface temperature. Journal of the Chinese statistical Association, 43, No.4, 371-386.
[3] Insightful Corporation (2001). S-plus 6 for Window, Guide to Statistics, Volume II, Insightful Corporation, Washington.
[4] SAS, Institute, Inc. (1999). SAS/ETS User’s Guide, Version 8, Cary, NC.
[5] SPSS, Inc. (2001). SPSS Base 11.0 User’s Guide.
[6] Tiao, G. C. and G. E. P. Box (1981). Modeling Multiple Time Series with Applications. Journal of American Statistics Association, 76, 802-816.
[7] Wei, William W. S. (2006). Time Series Analysis: Univariate and Multivariate Method, 2nd edition, Addison Wesley, New York.
[8] Yang, Li-Fen and Esher Hsu (2005). An analysis for consumer price index in Taiwan-comparison between univariate and multivariate time series model. Journal of the Chinese statistical Association, 43, No.3, 281-311.
[9] 吳柏林(1994),時間數列分析導論,台北:雙葉書廊。
[10] 中華民國統計資訊網,http://www.stat.gov.tw。
[11] 中華民國經濟部全球資訊網,http://www.moea.gov.tw/~ecobook/season/sa622.htm。
[12] 自由電子報-財經焦點,http://www.libertytimes.com.tw/2005/new/aug/11/today-e3.htm。
[13] 財團法人國家政策研究基金會全球資訊網, http://old.npf.org.tw/PUBLICATION/SS/090/SS-R-090-004.htm。
QRCODE
 
 
 
 
 
                                                                                                                                                                                                                                                                                                                                                                                                               
第一頁 上一頁 下一頁 最後一頁 top
無相關期刊