一、最小二乘法在经济预测中的应用（论文文献综述）
陈静[1]（2021）在《高维时间序列的统计校正学习》文中指出随着计算机计算能力的增强,高维时间序列预测在各领域中的应用也随之更加广泛。宏观经济数据预测是最具重要意义的方向之一。宏观经济数据的许多重要变量,如失业率、消费者物价指数等,影响着每个人的生产生活,也影响着国家稳定和社会发展。同时,宏观经济预测可以为政府、银行和工业部门提供有价值的信息,帮助制定相应的政策。例如,经济萧条的相关预测可以为政府部门制定宽松的财政政策提供合理指导意见。因此,宏观经济变量的有效预测具有实际指导意义。本文通过研究高维时间序列预测的方法,结合实际数据的特点改进现有模型。本文的主要研究内容如下:（1）通过一些统计分析,我们初步认识了宏观经济数据的特点,如弱信号、联动性、相关性等等。并采用一些检验方法和可视化的图像,直观地描述了数据的性质,为进一步的处理、分析和预测提供了可靠的信息。（2）根据数据特点和已有的研究结果,我们验证了ARMA模型、Lasso、随机森林、Lasso ARMA、Group Lasso和超前滞后关系在宏观经济预测中的优势,并利用相对均方预测误差来评价预测效果。（3）用Reduced-Rank回归估计向量自回归模型,命名为降维向量自回归模型。我们详细阐述了如何求解和预测模型,并给出了模拟和实证的结果,进一步对预测结果做了说明和分析。（4）根据宏观经济数据的特点,我们说明了ARMA滤波是如何有利于宏观经济数据的预测的,并详细阐述了ARMA滤波校正机器学习模型的机理。在ARMA滤波的基础上,我们提出了两种新模型,ARMA增广Lasso模型和ARMA增广随机森林模型并描述了新模型建立和求解的过程以及实证的结果。
欧阳梦倩,周先波,朱君梅[2]（2020）在《大数据时代下使用互联网搜索量预测CPI——基于LASSO和核偏最小二乘的联合使用》文中研究说明本文结合LASSO和核偏最小二乘回归研究百度搜索指数对CPI的预测作用。首先,选取宏、微观经济领域与CPI相关的、有代表性的百度搜索关键词,将其月平均指数作为CPI预测的一类自变量。其次,联合使用LASSO算法和核偏最小二乘回归,用网格搜索法选取最优参数组合,对自变量集进行有效降维得到最优预测。最后,比较单独使用互联网搜索量、单独使用政府统计数据和同时使用两者对CPI的预测效果,结果显示,互联网搜索量和政府统计数据对CPI预测的效果具有互补性,同时使用两者可提升预测的准确性,且能较好地预测转折点。
赵雪健[3]（2020）在《外商直接投资和中国宏观经济波动 ——基于混频数据预测模型》文中指出从改革开放开始,国内经济取得了巨大的成就,外商直接投资发挥着重要的作用,从无到有到飞越,FDI实现了巨大的增长。1983年,国内引进外资仅为9.22亿美元,到了2019年,引入外资的金额已经高达1381亿美元,增加了149倍。除此之外,FDI在不断流入的同时,很大程度上促进了内资投入的增加,成为当前经济增长的重要动力。本文主要构建外商直接投资与经济增长的实证模型,分析外商直接投资与宏观经济变动之间的关系。外商直接投资会产生资本积累效应和技术外溢效应,FDI对于经济影响的方式根据时间的不同是不一样的。在短期中,外商直接投资会产生明显的资本效应,但是在长期,外商直接投资会产生明显的技术外溢效应,这是提高经济发展水平的内在动力。对于外商直接投资而言,这是先进技术的载体,通过技术扩散来提高引资国的经济水平。随着引入外商规模的不断扩大,产业经济的发展会受到影响;随着外商直接投资质量的提高,在资本积累和技术外溢效应的影响之下,东道国的产业结构也会发生变化,进而推动产业经济的发展,因此引进外商直接投资对于产业经济的发展具有显着的意义。本文构建外商投资、固定资产投资、消费以及进出口单变量MIDAS数据模型和多变量MIDAS混频数据模型,该模型较基准同频模型具有优势。在单变量MIDAS模型中,比较构建的混频数据模型的全样本估计、样本内预测精度差异,根据MIDAS混频模型的特点对于GDP进行预测;在多变量MIDAS模型中,将外商直接投资引入MIDAS混频数据模型中,考察在经济新常态下对于中国经济增长的影响。基于外商直接投资和“三驾马车”对中国季度GDP增长率进行预测,研究结果表明:（1）不管是对于GDP总量的预测,还是对于产业GDP进行预测,在不同步长的情况下,变量的预测是不同的,随着步长的增加,预测效果会变差;（2）引入外商直接投资同比增长率的混频数据模型预测精度优于未引入的混频数据模型,混频数据模型的预测精度优于基准模型,均方根残差比值也更小;（3）在多元混频预测模型中,引入外商直接投资同比增长率的混频回归模型对于季度GDP增长率的实时预报和短期预测更加稳定,从而可以提供更加精准的预测参考区间。将外商直接投资和MIDAS模型相结合,为定量研究外商直接投资对中国宏观经济波动的影响提供了一个新的平台,从而为政府更好的稳外资和进行宏观调控提供重要的参考依据。
王超[4]（2020）在《基于多目标演化优化的宏观经济指标预测研究》文中进行了进一步梳理近年来,随着我国经济发展进入新常态,经济发展的总量规模和复杂程度均空前增大,政府管理调控经济的要求越来越高,传统的管理理念、方法和工具难以适应新形势需要。因此,利用计算机科学技术充分考虑各行业之间的关联性,探求新常态下经济运行新规律,可以为推动政府治理精准化提供新的技术支撑。在以往的研究中,大多是通过统计学和计量经济学的方法作为宏观经济决策研究的理论基础,本研究立足于分析各宏观经济指标间的关联性,建立预测模型预测各宏观经济指标的走势,并且根据各个经济指标间的关联关系构建多目标优化问题,通过多目标优化算法得到优化数据为政府决策提供依据。在研究过程中致力于解决经济指标数据样本少且样本特征维度高导致预测过拟合问题和如何平衡高维多目标优化问题中解集的收敛性和多样性的问题。针对上述问题提出了新的预测模型和多目标优化方法,论文的主要研究内容如下:1)提出了基于偏最小二乘和核方法的经济指标预测模型,用以解决经济指标数据样本少且样本特征维度高导致过拟合问题。在该预测模型中,首先结合独立成分分析和偏最小二乘法来提取具有更丰富信息的低维度的特征来解决样本特征维度较高的问题,然后利用支持向量回归模型中核函数到最后结果是线性组合的特性构建虚拟样本解决样本不足而导致的信息缺失问题,使用支持向量回归模型对宏观经济指标的发展趋势进行预测。最后根据宏观经济指标间的线性回归关系式对宏观经济指标的预测值进行调整,得到最后的指标预测值。该预测模型对样本少导致的过拟合问题起到了良好的作用。2)在优化空间分解的前提下,基于拐点和中心点提出了自适应子代生成策略以及基于夹角、拐点和强支配关系,提出自适应的解集选择策略平衡多目标优化算法的收敛性和多样性。自适应子代生成策略是通过寻找局部最优解与中心点结合来预测部分较优解,并根据当前父代解集的多样性来选择不同的子集生成方法;强支配排序是对同一帕累托支配层中的解根据夹角和解距离预期目标解的欧式距离进行二次排序的方法,该方法确保了多目标优化算法的收敛性,并衡量已选择的解集的收敛性和多样性来判断是否使用基于夹角和拐点的解集选择方法进行二次选择平衡解集的收敛性和多样性。最后,根据政府公布的年度规划预期目标值从多目标优化得到的非支配集中选取最合适的一组解,并将其与预测模型得到的预测解集进行对比为政府决策提供支持。
畅浩天[5]（2020）在《基于用电量的多维数据融合的宏观经济预测方法研究》文中提出宏观经济是一个综合衡量国家或地区经济发展水平的重要指标,它也能够从一定程度上帮助我国更好地检验第一个一百年目标的完成情况。研究宏观经济的变化趋势,做出精确的短期宏观经济预测能够帮助政府、企业和个人快速做出正确的经济决策。宏观经济本身具有复杂性,受诸多因素影响,其中用电量是一种非常重要的影响因素,但是仅考虑一种影响因素得到的经济预测模型的预测效果往往不尽人意,因此在当今这个大数据时代,需要使用大数据及信息技术的先进方法,综合考虑多种影响因素,融合多维数据中隐含的宏观经济信息,才能更加精准地把握宏观经济发展趋势,得到更加准确的宏观经济预测结果。因此,在结合过往宏观经济研究成果的基础上,综合考虑时代的变迁,使宏观经济预测模型顺应当今时代的发展特征。本文选取用电量作为基础因素、气象作为影响用电量进而影响宏观经济的扰动因素、在线社交网络作为顺应社会发展的时代因素,以LSTM（长短期记忆）神经网络为基础,通过PSO（粒子群）算法进行优化,搭建多维数据输入的深度学习模型,研究三种因素与宏观经济的关联关系,并通过这三种因素的指标数据获得更加准确的宏观经济预测结果。文章以全社会用电量作为用电量的代表指标,以平均温度、平均相对湿度、降水量作为气象代表指标,微博新用户数作为在线社交网络代表指标,以GDP（国内生产总值）作为宏观经济的代表指标,对各因素与GDP的关系进行分析,并进一步地对PSO-LSTM深度学习神经网络模型进行验证。结果表明:用电量与GDP之间有着极强的线性相关关系以及双向的Granger因果关系,微博新用户数与GDP之间有着较强的线性相关关系以及从GDP到微博新用户数的单向Granger因果关系,三种气象指标与GDP之间均存在着双向的Granger因果关系。在用电量预测GDP的基础上,进一步融合微博新用户数、平均温度、平均相对湿度和降水量的数据,可以有效地提高GDP的预测精度,获得精度更高的GDP预测值,且本模型对在线社交活动越活跃的省份的经济预测效果越好。
孔新兵,蒯强,汪红霞[6]（2019）在《高维L1稳健因子分析及其在宏观经济预测中的应用》文中提出本文提出了一种稳健的构建高维宏观经济数据公共因子的方法。通过采用基于L1矩阵范数的优化方法,在存在大量缺失值和离群值的宏观数据集中得到更好的因子载荷和因子估计。在我国117维宏观月度数据集的基础上,利用静态近似因子模型对一些经济指标进行了预测。实证结果表明,由L1方法得到的因子相比主成分方法有更好的预测精度,从而给宏观经济研究者和决策者提供更为准确和稳健的参考。
乔婧妍[7]（2019）在《基于模型平均方法的经济增长预测研究》文中研究指明经济增长分析一直是各国经济学家研究的重要课题,在中国经济转型的历史关键时期更是如此,分析影响经济增长的关键因素,准确预测经济增长,能实现经济健康持续增长。宏观上,经济增长预测是政策制定的重要基础,微观上,经济增长预测影响个体的投资储蓄策略,从这个方面看,经济增长研究具有重要意义。本文从分析影响经济增长因素入手,根据以往文献和相关性分析选出具有代表性的7个解释变量,以经济生产总值GDP为被解释变量衡量经济增长,共拟合128个线性模型,然后用不同模型平均方法对经济增长进行实证分析和预测。本文实证分析分为两大部分,分别利用频率模型平均方法和贝叶斯模型平均方法进行经济增长预测,最后对结果进行对比分析。第一部分用OPT、MMA、JMA、S-AIC和S-BIC五种不同的频率模型平均方法计算权重,将所有模型的预测值加权组合成最终的预测值。根据预测值与真实值之间的绝对误差,十期预测中各个方法预测的最优率和预测误差的标准差,分析各种方法的预测结果的精度和稳定性,进而评判其优劣,这其中还包含提出修正OPT方法,并用同样的形式检测修正OPT方法是否有效改进了OPT方法。第二部分利用贝叶斯模型平均方法中的两个算法包BMA和BMS对同样的数据进行经济增长预测,分析贝叶斯模型平均的基本原理和在实践中两种算法的异同点,同样根据绝对误差,最优率和误差标准差来分析预测结果。最后对检验模型稳健性,综合分析两类方法的结果,判断整体方法的优劣。结果表明,第一,修正OPT方法能有效改进原OPT方法的预测效果,明显降低预测误差和误差标准差,提高了预测精度和最优率。第二,对于频率模型品平均方法,长期预测JMA方法表现最好,预测误差均值最小,预测精度最高,最优率最高,短期修正OPT方法与JMA方法误差均值相等,都属于优良的预测方法。第三,对于贝叶斯模型平均方法,BMA算法明显优于BMS算法。每一期预测误差都更低,最优率高且误差标准差最小,预测结果也更稳定。第四,贝叶斯模型平均不同算法筛选变量有差距,所以贝叶斯模型平均预测结果总体不如频率模型平均结果稳定。第五,综合比较所有方法,JMA预测误差最小,精度最高,最优率最高,预测结果最稳定。第六,模型平均方法对经济增长预测稳健性较好,在改变参数时预测结论能保持一致。
张翔宇[8]（2019）在《网络搜索数据在消费者信心指数（CCI）预测中的应用》文中研究指明互联网的迅速发展,使得网络大数据成为企业和社会关注的新型战略资源,在大数据时代,使用大数据方法和技术进行宏观经济预测正受到学者和宏观经济决策者越来越多的关注。各式各样的网络数据隐藏着消费者的各种行为习惯,这些数据可以映射出经济发展状况和消费者心理预期,利用相关技术从中提取出所需信息是当今研究的一大热点。本文通过网络搜索数据的量化,预测消费者信心指数（CCI）来反映消费者信心状况,分析关键的影响因素,为消费者信心指数的编制和相关经济问题研究提供指导,具有实际意义。本文内容主要分为三个部分,第一部分,通过介绍消费者信心、消费者信息需求与行为,构建消费者信心与网络搜索行为关系的理论框架。并介绍网络数据源的选择,分析网络数据源在预测中的优势。第二部分,在此基础之上,结合国家统计局消费者信心指数的编制原理和相关文献设定初始关键词与词库,并引入关键词筛选方法。在关键词的数据处理上,本文基于全国范围内的2011年1月至2018年10月的消费者信心指数数据和百度搜索数据进行分析,通过相关文献初步筛选181个网络搜索关键词,并使用时差相关分析法与LASSO算法进行降维,得到用于预测的核心搜索关键词。第三部分,构建偏核最小二乘回归模型、决策树回归模型与随机森林回归模型并进行求解和比较。在对各预测模型的分析中,通过模型样本内和样本外的预测效果比较可知,随机森林预测模型的综合预测效果优于其它两类模型,综合得到的随机森林预测模型有助于改进消费者信心指数的预测精度。并且,随机森林输出的关键词重要性程度也有助于传统消费者信心编制的权重决策。本文采用当今大数据时代较为流行的机器学习预测算法,丰富了网络数据在经济预测中的应用。完善了消费者信心指数的预测体系,弥补传统数据发布的滞后性问题。分析了消费者信心的影响因素,为传统消费者信心指数编制中的权重问题提出修改意见,有助于提高编制精度。
宋怡臻[9]（2019）在《基于时间序列与LSTM模型的经济预测研究》文中指出经济全球化的发展给我们带来了新的机遇与挑战,在我国民族企业走向世界的同时,也将我国经济卷入了世界经济的浪潮中,全球经济的变化对我国国内经济的影响也越来越明显。因此,进行合理的经济预测,制定适宜的经济政策,提前规避风险,显得越来越重要。本文就经济预测问题,首先介绍了经济预测的特点和几种常见预测方法,包括时间序列预测法、计量经济学方法、多元统计分析法、投入产出分析法、趋势曲线分析法等。这些方法大多主要依赖数理统计模型或者研究人员的实践经验总结,模型较简单,准确率受限。随着人工智能、大数据技术的发展,BP神经网络进入研究人员的视线,BP神经网络可以很好地拟合非线性的经济系统,用BP神经网络进行经济预测取得了很好地效果。但是,传统的BP神经网络没有考虑到经济预测数据所具备的时序性特点。本文实验选用了基于长短期记忆单元的递归神经网络模型LSTM（long short-term memory）来进行经济预测。本文以两种重要的宏观经济指标:国内生产总值（GDP）和居民消费价格指数（CPI）为预测对象,通过Anconda3进行仿真实验。首先,对影响因素进行了特征重要性评价,筛选出重要性较高的指标建立起经济预测影响指标体系。然后,通过对比实验对LSTM网络结构的激活函数、优化器算法、过拟合现象等进行了讨论,构建起最适宜本文实验数据集的LSTM网络模型。其次,使用粒子群算法思想改进后的蝙蝠算法对LSTM模型的初始权重及阈值进行了优化,提升了模型效果。针对未来经济指标无法及时获取问题,将适宜小样本预测的灰色模型与改进后的LSTM模型建立起组合模型。首先通过灰色模型得到单个特征预测值,再将之传入改进后的LSTM模型得出GDP和CPI预测值。同时,考虑到灰色模型长期预测效果欠佳,并且易受到随机因素影响。将无偏灰色模型与基于滑动平均法改进的灰色模型与传统灰色模型预测结果进行加权平均后,再传入改进后LSTM模型,建立组合模型。最后,本文对预测模型进行了应用分析,通过预测结果展示界面,更好展示预测效果,增加了模型的实用价值。本文通过仿真实验对比了多种模型预测效果,发现LSTM模型预测准确度更高,适合用来解决经济预测问题。三种改进方式有效提升了模型效果。将灰色模型引入模型可以更好地对未来经济发展方向做出预判,以制定适宜的经济政策,帮助经济更好更快发展。
马海容[10]（2019）在《基于地理空间的GDP预测模型构建和实证研究》文中研究表明国内生产总值（GDP）作为衡量国家经济状况的基础指标,它的稳定并持续增长和国家经济健康发展有着密不可分的关系,GDP的预测关系着国家和政府分辨出经济状态是萎缩还是膨胀,最终决定是刺激还是抑制经济增长,在整体宏观经济研究中举足轻重。然而,GDP数据具有时序性和非线性的特点,其预测相对繁杂。现有的研究主要存在两个问题:其一,预测精度欠缺;其二,模型仅适用于特定区域,不能根据用户期望完成区域经济预测。针对以上问题,本文在前人的研究基础之上,以一种全新的视角,将空间计量经济学和人工智能方法有机结合,应用到宏观经济预测当中,以提升其预测精度。在指标选取上,将地理空间指标引入到GDP预测当中,构建了一套科学合理的GDP预测指标体系,“消除”地域差异对经济预测的影响,实现用户期望地区的GDP预测。在预测模型上,以BP神经网络为基础,通过双重优化提升了模型预测精度。首先,本文根据GDP核算法和相关影响因素,识别出本文的预测基础指标,并将地理空间指标通过数值化引入到GDP预测当中,建立了一套科学的基于地理空间的GDP预测指标体系。然后,本文在BP神经网络模型的基础之上,建立了双重优化的BP神经网络模型。该模型主要分为粒子群算法优化BP神经网络和动态调整的学习因子优化粒子群算法两个子模块。在粒子群算法优化BP神经网络模块,将粒子群算法得到的群体最优位置映射到BP神经网络中,代替原本随机选取的权重w和偏置b,从而降低神经网络训练负担,并提升模型预测精度。同时,通过动态调整的学习因子c1和c2来加快粒子群算法的收敛速度,完成整个模型优化。最后,通过对两个重要指标:GDP增速和人均GDP进行实证分析,发现,本文提出的基于地理空间的GDP预测模型确实能提升GDP预测精度,同时能实现用户期望地区的GDP预测。并得到我国应因地制宜,对北方和西部的边远地区要加大教育、科技以及人才引进的投入,同时通过刺激居民消费和扩大进出口等手段拉动欠发达地区经济增长的结论。
二、最小二乘法在经济预测中的应用（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、最小二乘法在经济预测中的应用（论文提纲范文）
（1）高维时间序列的统计校正学习（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究工作的背景与意义 |
| 1.2 时间序列预测的国内外研究历史与现状 |
| 1.2.1 时间序列预测的传统方法 |
| 1.2.2 高维时间序列预测的研究现状 |
| 1.3 本文的主要贡献与创新 |
| 1.4 本论文的结构安排 |
| 第二章 预测高维时间序列的理论基础 |
| 2.1 向量自回归模型简述 |
| 2.2 信息准则方法 |
| 2.3 Reduced-Rank回归 |
| 2.4 Lasso |
| 2.4.1 Lasso ARMA |
| 2.4.2 Group Lasso |
| 2.5 随机森林 |
| 2.6 决策树 |
| 2.7 超前滞后关系 |
| 2.8 本章小结 |
| 第三章 数据 |
| 3.1 数据来源 |
| 3.2 数据特点 |
| 3.2.1 平稳性 |
| 3.2.2 弱信号 |
| 3.2.3 联动性 |
| 3.2.4 相关性 |
| 3.2.5 非线性 |
| 3.3 本章小结 |
| 第四章 校正的统计模型 |
| 4.1 降维向量自回归模型 |
| 4.2 模拟 |
| 4.2.1 产生数据 |
| 4.2.2 估计模型系数 |
| 4.2.3 选择最优的模型 |
| 4.3 校正的机器学习模型 |
| 4.3.1 信号增强 |
| 4.3.2 ARMA滤波 |
| 4.3.3 ARMA增广Lasso模型 |
| 4.3.4 ARMA增广随机森林模型 |
| 4.4 本章小结 |
| 第五章 实证分析 |
| 5.1 评估标准 |
| 5.2 实验结果 |
| 5.2.1 重要变量的实验结果 |
| 5.2.2 两步预测的实验结果 |
| 5.2.3 Lasso模型的实验结果 |
| 5.2.4 改进的LP模型的实验结果 |
| 5.3 本章小结 |
| 第六章 全文总结与展望 |
| 6.1 全文总结 |
| 6.2 研究展望 |
| 致谢 |
| 参考文献 |
| 附录A 相关关系 |
| 附录B 代码 |
| B.1 算法4-1 |
| B.2 算法4-2 |
| 攻读硕士学位期间取得的成果 |
（2）大数据时代下使用互联网搜索量预测CPI——基于LASSO和核偏最小二乘的联合使用（论文提纲范文）
| 一、 引 言 |
| 二、 文献综述及互联网搜索量对CPI的预测作用 |
| 三、 指标选取、LASSO降维与核偏最小二乘预测 |
| (一) 数据与指标选取 |
| (二) CPI模型及LASSO算法 |
| (三) 互联网搜索指数预测CPI模型的LASSO过程 |
| (四) 联合使用LASSO和核偏最小二乘法进行优化 |
| 四、 互联网搜索量与政府统计数据对CPI的协同预测 |
| (一) 只使用政府统计指标数据的预测 |
| (二) 同时使用政府统计指标数据和互联网搜索量的预测 |
| (三) 三种情形预测的定量评价 |
| 五、 总 结 |
（3）外商直接投资和中国宏观经济波动 ——基于混频数据预测模型（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究目的和意义 |
| 1.2 文献综述 |
| 1.2.1 外商直接投资与经济发展的研究 |
| 1.2.2 外商直接投资和产业经济的研究 |
| 1.2.3 关于MIDAS混频模型的研究动态 |
| 1.3 论文可能的创新点 |
| 1.4 研究内容与方法 |
| 1.4.1 研究方法 |
| 1.4.2 研究内容 |
| 第二章 相关理论分析 |
| 2.1 外商直接投资理论 |
| 2.2 经济增长理论 |
| 2.3 FDI与经济增长机制分析 |
| 2.3.1 FDI资本积累效应 |
| 2.3.2 FDI技术外溢效应 |
| 2.4 FDI对东道国经济增长的影响 |
| 第三章 混频数据模型简介 |
| 3.1 MIDAS回归模型 |
| 3.1.1 基础MIDAS混频模型 |
| 3.1.2 MIDAS混频模型的拓展 |
| 3.2 理论预测模型 |
| 3.2.1 单变量MIDAS预测模型 |
| 3.2.2 多变量MIDAS预测模型 |
| 第四章 外商直接投资与经济增长 |
| 4.1 数据处理和模型构建 |
| 4.1.1 数据来源 |
| 4.1.2 变量之间的描述性统计和相关系数矩阵 |
| 4.1.3 平稳性和模型稳定性检验 |
| 4.1.4 外商直接投资对于GDP影响分析 |
| 4.1.5 构建模型 |
| 4.2 单变量MIDAS(m,k)模型的实时预报也短期预测 |
| 4.2.1 MIDAS(m,K)模型估计与样本内预测效果比较 |
| 4.2.2 MIDAS(m,K,h)模型的样本内预测效果比较与样本外预测 |
| 4.2.3 MIDAS(m,K,h)-AR(p)模型的样本内预测效果比较与实时预报 |
| 4.3 多元MIDAS模型的实时预报和短期预测 |
| 4.3.1 M(n)-MIDAS(m,K)模型的估计与样本内预测效果比较 |
| 4.3.2 M(n)-MIDAS(m,K,h)模型的样本内预测比较和实时预报 |
| 4.3.3 M(n)-MIDAS(m,K,h)-AR(p)模型的样本内预测和实时预报 |
| 第五章 外商直接投资和产业经济增长研究 |
| 5.1 理论阐述和说明 |
| 5.1.1 产业经济发展 |
| 5.1.2 外商直接投资对产业经济的影响机制 |
| 5.1.3 FDI对我国产业经济的影响 |
| 5.1.4 数据与模型 |
| 5.2 单变量MIDAS(m,K)模型的实时预报和短期预测 |
| 5.2.1 MIDAS(m,K)模型的估计和样本内预测效果比较 |
| 5.2.2 模型的样本内预测效果比较和实时预报 |
| 5.3 多元MIDAS模型的实时预报和短期预测 |
| 5.3.1 模型的估计和样本内预测效果比较 |
| 5.3.2 M(n)-MIDAS(m,K,h)模型的样本内预测比较 |
| 5.3.3 M(n)-MIDAS(m,K,h)-AR(1)模型的样本内预测和实时预报 |
| 第六章 结论和启示 |
| 参考文献 |
| 攻读学位期间的研究成果 |
| 致谢 |
（4）基于多目标演化优化的宏观经济指标预测研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 宏观经济指标预测 |
| 1.2.2 基于多目标优化的宏观经济指标预测 |
| 1.3 难点分析 |
| 1.4 研究内容与技术路线 |
| 1.5 章节安排 |
| 第2章 基于偏最小二乘法和核方法的经济指标预测 |
| 2.1 经济指标关系分析 |
| 2.1.1 关系式构建 |
| 2.1.2 因果关系分析 |
| 2.2 特征提取 |
| 2.2.1 经济指标的分解 |
| 2.2.2 主要特征提取 |
| 2.3 虚拟样本构建 |
| 2.4 预测模型 |
| 2.5 实验对比分析 |
| 2.5.1 实验数据 |
| 2.5.2 因果关系分析结果 |
| 2.5.3 经济指标预测结果 |
| 2.6 小结 |
| 第3章 基于多目标演化优化的宏观经济指标预测 |
| 3.1 多目标优化问题构建 |
| 3.1.1 经济指标间的关联性分析 |
| 3.1.2 获取指标间的关系式 |
| 3.1.3 适应度计算 |
| 3.2 多目标优化算法框架 |
| 3.3 基于子空间提取的多目标缩减方法 |
| 3.3.1 冲突值计算及目标分类 |
| 3.3.2 多目标缩减基于子空间提取 |
| 3.4 自适应子代生成策略 |
| 3.4.1 优质点的选取 |
| 3.4.2 基于拐点和中心点预测的子代生成策略 |
| 3.4.3 基于高斯函数的子代生成策略 |
| 3.4.4 基于解集预测的自适应子代生成策略 |
| 3.5 解集选择策略 |
| 3.5.1 支配关系 |
| 3.5.2 基于非支配树的非支配排序 |
| 3.5.3 基于拐点和夹角的解集选择策略 |
| 3.5.4 基于NSDR的自适应解集选择策略 |
| 3.6 实验结果与分析 |
| 3.6.1 多目标优化算法性能评价指标 |
| 3.6.2 实验参数设置 |
| 3.6.3 经济指标取值范围 |
| 3.6.4 实验结果与分析 |
| 3.6.5 选择较优解 |
| 3.7 小结 |
| 第4章 总结与展望 |
| 4.1 总结 |
| 4.2 展望 |
| 致谢 |
| 参考文献 |
| 附录A 攻读硕士学位期间的研究成果 |
| 附录B 多目标优化中部分参数 |
（5）基于用电量的多维数据融合的宏观经济预测方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究工作的背景与意义 |
| 1.2 经济预测的国内外研究现状 |
| 1.2.1 宏观经济的影响因素研究 |
| 1.2.2 宏观经济预测模型及方法 |
| 1.3 本文工作 |
| 第二章 宏观经济的影响因素选取及分析 |
| 2.1 用电量作为基础因素 |
| 2.1.1 电能是各大产业发展的重要能源基础 |
| 2.1.2 电力需求会影响区域经济的发展 |
| 2.2 气象作为扰动因素 |
| 2.3 在线社交网络作为时代因素 |
| 2.3.1 通过在线社交网络进行数字营销 |
| 2.3.2 通过在线社交网络加快信息交流 |
| 2.3.3 通过在线社交网络更好地进行投资或吸引投资 |
| 2.4 宏观经济与各影响因素间的关联分析 |
| 2.4.1 相关关系计算 |
| 2.4.2 Granger因果检验 |
| 2.4.3 实例分析 |
| 2.5 本章小结 |
| 第三章 宏观经济预测模型研究 |
| 3.1 LSTM神经网络模型 |
| 3.1.1 神经网络原理概述 |
| 3.1.2 LSTM神经网络原理 |
| 3.2 深度学习概述 |
| 3.3 粒子群优化算法 |
| 3.4 PSO-LSTM宏观经济预测模型 |
| 3.5 数据处理方案 |
| 3.5.1 缺失值处理 |
| 3.5.2 异常值处理 |
| 3.5.3 数据频率转换 |
| 3.6 各因素在待预测时段数据的获取 |
| 3.7 本章小结 |
| 第四章 实例验证 |
| 4.1 建模前准备 |
| 4.1.1 指标选取及数据收集 |
| 4.1.2 数据预处理 |
| 4.1.3 各因素特征分析 |
| 4.2 宏观经济关联关系模型 |
| 4.2.1 模型网络结构及激活函数 |
| 4.2.2 模型评价指标的选取 |
| 4.3 最优输入指标组合的确定 |
| 4.3.1 微博数据对用电量预测GDP的优化分析 |
| 4.3.2 微博和气象数据对用电量预测GDP的优化分析 |
| 4.4 模型预测结果分析 |
| 4.4.1 月度GDP预测结果分析 |
| 4.4.2 季度和年度GDP预测结果分析 |
| 4.4.3 周度GDP预测结果分析 |
| 4.4.4 省份GDP预测结果分析 |
| 4.5 本章小结 |
| 第五章 全文总结与展望 |
| 5.1 全文总结 |
| 5.2 后续工作展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间取得的成果 |
（6）高维L1稳健因子分析及其在宏观经济预测中的应用（论文提纲范文）
| 一、引言 |
| 二、L1矩阵范数优化方法介绍 |
| （一）经典因子模型 |
| （二）近似因子模型 |
| （三）因子模型的估计 |
| （四）基于L1范数的矩阵优化方法 |
| 三、模拟实验 |
| 四、实证分析 |
| （一）数据说明 |
| （二）实证结果 |
| 五、结论 |
（7）基于模型平均方法的经济增长预测研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 引言 |
| 1.1 研究背景 |
| 1.2 研究意义 |
| 1.3 文章内容及结构 |
| 1.4 创新与不足 |
| 第二章 经济增长预测和模型平均方法的文献综述 |
| 2.1 关于经济增长的国内外研究 |
| 2.2 关于模型平均方法的国内外研究 |
| 第三章 模型平均方法简介 |
| 3.1 频率模型平均方法 |
| 3.1.1 基于信息量准则的模型平均方法 |
| 3.1.2 渐近最优的模型平均方法 |
| 3.2 贝叶斯模型平均方法 |
| 第四章 基于频率模型平均方法的经济增长预测研究 |
| 4.1 变量选取 |
| 4.2 变量的异方差检验 |
| 4.3 基于频率模型平均方法的经济增长预测分析 |
| 4.4 修正OPT模型 |
| 第五章 基于贝叶斯模型平均方法的经济增长预测研究 |
| 5.1 基于贝叶斯模型平均方法的经济增长预测研究 |
| 5.2 贝叶斯模型平均方法与频率模型平均方法的比较分析 |
| 5.3 模型平均方法的稳健性研究 |
| 第六章 结论与展望 |
| 6.1 频率模型平均方法的结论分析 |
| 6.2 贝叶斯模型平均方法的结论分析 |
| 6.3 两类模型平均方法结论对比分析 |
| 6.4 展望 |
| 参考文献 |
| 攻读学位期间的研究成果 |
| 致谢 |
（8）网络搜索数据在消费者信心指数（CCI）预测中的应用（论文提纲范文）
| 摘要 |
| abstract |
| 导论 |
| 一、研究背景及意义 |
| 二、相关文献综述 |
| 三、研究内容与研究方法 |
| 第一章 消费者信心、行为与网络搜索机理框架概述 |
| 第一节 消费者信心与行为的相关概念 |
| 一、消费者信心 |
| 二、消费者信息需求 |
| 三、消费者信息行为 |
| 第二节 消费者信心与网络搜索行为关联机理概述 |
| 一、消费者网络搜索行为的界定 |
| 二、消费者信心与网络搜索行为关系的理论框架 |
| 第三节 网络数据源的选择与优势 |
| 一、网络数据源的选择 |
| 二、网络数据源在预测中的优势 |
| 第二章 消费者信心指数(CCI)预测变量的设计与降维 |
| 第一节 网络搜索关键词的选择方法 |
| 一、关键词的选取方法 |
| 二、关键词库的构建步骤 |
| 三、数据来源 |
| 第二节 数据预处理与降维处理 |
| 一、搜索关键词的预处理 |
| 二、搜索关键词的降维处理 |
| 第三节 数据的描述性统计分析 |
| 一、趋势图分析 |
| 二、描述性统计检验 |
| 第三章 消费者信心指数(CCI)预测的实证分析 |
| 第一节 消费者信心指数(CCI)模型的构建 |
| 一、基于核偏最小二乘回归的CCI模型构建 |
| 二、基于决策树的CCI模型构建 |
| 三、基于随机森林的CCI模型构建 |
| 第二节 几类模型的拟合效果分析 |
| 一、核偏最小二乘法拟合效果分析 |
| 二、决策树拟合效果分析 |
| 三、随机森林拟合效果分析 |
| 四、关键词指标重要性分析 |
| 第三节 CCI预测的应用实证分析 |
| 一、各模型拟合效果比较 |
| 二、样本外预测效果比较 |
| 结论与展望 |
| 一、主要结论 |
| 二、未来展望 |
| 参考文献 |
（9）基于时间序列与LSTM模型的经济预测研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 研究背景与意义 |
| 1.1.1 研究背景 |
| 1.1.2 课题研究的意义 |
| 1.2 国内外研究现状 |
| 1.2.1 经济预测研究现状 |
| 1.2.2 LSTM研究现状 |
| 1.3 本文主要研究内容及组织结构 |
| 第2章 经济预测基本理论与预测方案选择 |
| 2.1 经济预测理论概述 |
| 2.1.1 经济预测的特点 |
| 2.1.2 几种常见的经济预测方法 |
| 2.2 经济预测影响指标分析 |
| 2.2.1 问题分析 |
| 2.2.2 经济预测指标分析 |
| 2.3 数据预处理 |
| 2.3.1 本文实验所用数据集 |
| 2.3.2 数据的特征归一化处理 |
| 2.4 误差评价体系 |
| 2.5 本章小结 |
| 第3章 基于LSTM模型的经济预测分析 |
| 3.1 传统的经济预测模型预测效果分析 |
| 3.1.1 ARIMA模型原理及仿真实验 |
| 3.1.2多元回归模型原理及仿真实验 |
| 3.2 LSTM模型原理 |
| 3.3 基于LSTM的经济预测模型设计 |
| 3.3.1 LSTM网络结构设计 |
| 3.3.2 激活函数分析 |
| 3.3.3 模型优化器算法选择 |
| 3.3.4 避免过拟合的网络结构设计 |
| 3.3.5 循环层数选择 |
| 3.4 LSTM模型预测结果对比分析 |
| 3.4.1 实验环境介绍 |
| 3.4.2 仿真实验与实验结果 |
| 3.5 本章小结 |
| 第4章 基于改进LSTM模型的经济预测分析 |
| 4.1 PSO-LSTM模型与BA-LSTM模型 |
| 4.1.1 粒子群算法介绍 |
| 4.1.2 蝙蝠算法介绍 |
| 4.1.3 PSO-LSTM模型 |
| 4.1.4 BA-LSTM模型 |
| 4.2 改进蝙蝠算法介绍及有效性分析 |
| 4.3 基于改进BA-LSTM模型的经济预测分析 |
| 4.3.1 基于改进BA-LSTM模型经济预测实验设计 |
| 4.3.2 仿真实验及结果分析 |
| 4.4 灰色模型组合改进BA-LSTM模型的经济预测分析 |
| 4.4.1 灰色模型及两种改进灰色模型介绍 |
| 4.4.2 实验设计 |
| 4.4.3 仿真实验及结果分析 |
| 4.5 本章小结 |
| 第5章 预测模型的应用分析 |
| 5.1 需求介绍 |
| 5.2 实验环境及开发工具介绍 |
| 5.3 总体设计 |
| 5.3.1 逻辑结构划分 |
| 5.3.2 功能设计 |
| 5.3.3 数据库表设计 |
| 5.4 功能实现与展示 |
| 5.4.1 基础数据管理模块 |
| 5.4.2 预测模型管理模块 |
| 5.4.3 预测结果展示模块 |
| 5.5 本章小结 |
| 总结与展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间发表的论文及成果 |
（10）基于地理空间的GDP预测模型构建和实证研究（论文提纲范文）
| 摘要 |
| abstract |
| 绪论 |
| 第一节 研究背景及意义 |
| 一、研究背景 |
| 二、研究意义 |
| 第二节 国内外研究现状 |
| 一、基于地理空间的经济国内外研究现状 |
| 二、GDP预测的国内外研究现状 |
| 三、地理空间与GDP数据研究的研究综述 |
| 四、研究综述总结 |
| 第三节 研究内容与创新点 |
| 一、研究内容介绍 |
| 二、研究方法 |
| 三、技术路线 |
| 四、研究目标阐述 |
| 五、创新点 |
| 六、论文组织结构 |
| 第一章 相关理论基础 |
| 第一节 空间计量经济学 |
| 一、空间计量经济学概述 |
| 二、空间数据分析 |
| 三、基于距离的空间权值矩阵 |
| 第二节 GDP预测方法 |
| 一、传统计量方法 |
| 二、人工智能方法 |
| 三、组合方法 |
| 第三节 基于地理空间的GDP预测模型框架 |
| 第二章 基于地理空间的GDP预测指标体系 |
| 第一节 GDP预测指标选取原则 |
| 第二节 GDP预测基础指标选取 |
| 第三节 GDP预测地理空间指标选取 |
| 一、地理空间指标研究必要性分析 |
| 二、地理空间指标详细构建 |
| 三、地理空间指标展示 |
| 第四节 GDP预测指标体系形成 |
| 第三章 双重优化的BP神经网络模型(D-PSO-BP) |
| 第一节 GDP预测模型适用条件分析 |
| 第二节 相关技术 |
| 一、粒子群算法 |
| 二、BP神经网络 |
| 第三节 双重优化的BP神经网络模型构建 |
| 一、双重优化的BP神经网络模型总体框架 |
| 二、双重优化的BP神经网络优化方案 |
| 三、双重优化的BP神经网络整体流程 |
| 第四章 基于地理空间的GDP预测实证分析 |
| 第一节 数据与评价指标选取 |
| 一、数据来源 |
| 二、评价指标 |
| 第二节 基于地理空间的GDP增速预测实证分析 |
| 一、对比实验设计 |
| 二、参数选取 |
| 三、对比实验结果分析 |
| 第二节 基于地理空间的人均GDP预测粗略粒度实证分析 |
| 一、对比实验设计 |
| 二、对比实验结果分析 |
| 第三节 基于地理空间的人均GDP预测细粒度实证分析 |
| 一、对比实验设计 |
| 二、对比实验结果分析 |
| 第四节 基于地理空间的人均GDP预测实证结果分析 |
| 一、GDP预测整体分析 |
| 二、GDP增速与人均GDP预测精度差异分析 |
| 三、隐藏层节点数与GDP预测相关性分析 |
| 四、经济指导策略形成 |
| 第五章 总结与展望 |
| 第一节 论文工作总结 |
| 第二节 研究展望 |
| 参考文献 |
| 致谢 |
| 附录 A |
四、最小二乘法在经济预测中的应用（论文参考文献）
- [1]高维时间序列的统计校正学习[D]. 陈静. 电子科技大学, 2021(01)
- [2]大数据时代下使用互联网搜索量预测CPI——基于LASSO和核偏最小二乘的联合使用[J]. 欧阳梦倩,周先波,朱君梅. 金融学季刊, 2020(02)
- [3]外商直接投资和中国宏观经济波动 ——基于混频数据预测模型[D]. 赵雪健. 青岛大学, 2020(02)
- [4]基于多目标演化优化的宏观经济指标预测研究[D]. 王超. 武汉理工大学, 2020(09)
- [5]基于用电量的多维数据融合的宏观经济预测方法研究[D]. 畅浩天. 电子科技大学, 2020(07)
- [6]高维L1稳健因子分析及其在宏观经济预测中的应用[J]. 孔新兵,蒯强,汪红霞. 吉林工商学院学报, 2019(06)
- [7]基于模型平均方法的经济增长预测研究[D]. 乔婧妍. 青岛大学, 2019(02)
- [8]网络搜索数据在消费者信心指数（CCI）预测中的应用[D]. 张翔宇. 中南财经政法大学, 2019(09)
- [9]基于时间序列与LSTM模型的经济预测研究[D]. 宋怡臻. 西南交通大学, 2019(04)
- [10]基于地理空间的GDP预测模型构建和实证研究[D]. 马海容. 中南财经政法大学, 2019(09)