PPI的时间序列分析——基于ARIMA模型

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

图二 原始数据及各阶差分下的数据图和统计值

从数据图上，我们可以发现原始数据并没有明显的趋势性，是围绕则100进行上下波动，展现出平稳性，同时原始数据的统计值是小于1%置信度下的统计值，因此我们可以认为数据具有平稳性。

三、时间序列分解—STL分解

时间序列分解是指将一个时间序列分解为不同的组成部分，例如趋势、季节性和随机波动。这种分解可以让我们更好地了解时间序列的结构。常见的时间序列分解方法包括STL分解和Holt-Winters分解，本文选择采用STL分解进行，在STL分解中，季节性和趋势是通过局部加权回归来估计的，而随机波动是通过将时间序列减去季节性和趋势来获得的

图三 PPI的趋势、季节周期及残差分析图

从图三中我们可以看出STL将PPI数据分解为3个部分，总体趋势，周期波动，以及残差影响，其中我们可以看出季节具有明显平稳性，而残差及趋势体现了一定的平稳性，因此我们需要对这趋势和残差进行差分分析，以此来判断这数据是否具有平稳性。

1趋势数据（trend）的差分分析

图四 trend数据的差分分析

从trend的各阶差分操作的统计值中，只有当进行3阶差分后，trend数据才通过统计检验，具有可接受的平稳性，同时从各阶的差分变动中，我们当进行2阶或3阶差分后，周期循环的特征才显现出来。因此根据检验统计值，我们知道对于trend数据需要进行3阶操作后，数据才可以具有平稳性，才能进行时间序列分析预测

2.残差数据（residual）

图五residual数据的差分分析

从residual数据的各阶差分操作的统计值中，我们可以发现原数据可以通过统计检验，具有可接受的平稳性，因此根据检验统计值，我们知道无需对residual数据进行差分操作，数据本身具有平稳性，可以直接进行时间序列分析预测。

四、利用AIC和BIC准则对trend数据和residual数据的p和q 进行选择

1.Trend数据的AIC及BIC准则分析：

利用AIC和BIC准则进行分析，我们求出最优的p,q值为P=2,Q=5,因此对于trend数据的ARIMA模型的残差为（2，3，5）

2.Residual数据的AIC及BIC准则分析：

利用AIC和BIC准则进行分析，我们求出最优的p,q值为P=2,Q=1,因此对于trend数据的ARIMA模型的残差为（2，0，1）

五、对于PPI数据进行模型训练

因为使用了STL分解，将PPI数据分解为为了趋势(trend)，周期(seasonal)，和残差(residual)这三类数据，因此我们要训练PPI的时间序列分析模型，则需分别对这三个数据进行时间序列分析，然后在合并成PPI数据的时间序列数据分析，所以PPI的模型为：

其中周期数据在STL分解图中可以看出，具有很强的周期性，因此预测时，对于未来的数据，可以直接用过去的周期中对应位的数代入即可。

因此我们只需要对和进行ARIMA模型训练

图六 trend数据和residual数据的预测情况图

从图六中我们可以看出，ARIMA模型对于trend数据和residual数据的预测都具有良好的效果因此，我们可以将trend数据和residual数据的预测值加上seasonal数据形成对PPI的预测值

六、PPI预测情况

图七 PPI训练集的预测情况

我们剔除STL及差分操作产生的空缺值后，我们形成了对PPI从2015年9月到2021年8月的预测数据，由图七可以看出，预测数据整体符合实际数据发展趋势，因此我们使用该模型去预测实际情况

图八 PPI的ARIMA模型测试集情况

从图八中，我们看到我们所建立的预测模型在总体趋势，和变化趋势都符合实际数据的走势的。

而该模型的预测误差均值为0.415，误差的标准差为0.626