摘要：大数据时代下，数据分析是尤其重要的，随着数据研究方法越发多样化，它的应用也越发广泛，时间序列分析以其先进性，预测性以及对随机变量发展状况的一个很好的度量而得到广泛应用。GDP，即国内生产总值，通过对其应用进行数据分析，可以对我们生活中的各种经济活动所产生的价值量，规模有所认知，并且可以通过预测预测未来的发展情况。本文通过对到2017年为止近五十年的国内生产总值建立时间序列模型--ARIMA模型，以及用于对应比较的残差自回归模型，通过对两种模型的残差进行了比较分析，选出最为合适的模型，从而从宏观上对国家一时期（通常指一年）的经济发展变化水平进行分析，并预测出未来一国经济的发展状况；同时，也对两种模型的建立有了更好的理解。

再者，本文还深入研究了对GDP的其他应用领域。首先选择了在居民消费水平上的应用进行结构分析，分析不同类型（农村与城镇）居民的消费水平，并进行比较，分析差异，可以对国家财富两极分化的轻重程度有一个很好的认识；选择从产出角度对各产业结构的演变过程进行研究，可以对我国自改革开放以来，产业结构之间发生的变化有更好的认识，对一国的国民经济政策制定有很好的借鉴作用。为了通过比较选出最为适合的模型，建立了时间序列模型以及残差自回归模型。

关键词：时间序列分析；GDP；ARIMA模型；残差自回归模型；

目录

摘要

Abstract

1. 绪论-6

1.1. 研究背景-6

1.2. 研究目的与意义-6

2. 时间序列分析概述-6

2.1. 时间序列的预处理-7

2.1.1 定义-7

2.1.2 预处理步骤-7

2.2. 非平稳时间序列模型--ARIMA模型-7

2.3. 残差自回归模型-8

2.4. 评价准则-8

3. 不同模型的应用比较分析-10

3.1 应用一 关于GDP年总量的预测-10

3.1.1 利用ARIMA模型分析-10

3.1.2 利用残差自回归模型分析-13

3.1.3 两种模型的显著性检验-15

3.2 应用二 关于不同类型居民消费水平的实证分析-15

3.2.1 利用ARIMA模型分析-15

3.2.2 利用残差自回归模型分析-18

3.2.3 两种模型的显著性检验-22

3.3 应用三：关于三种产业结构变化情况的实证分析-22

3.3.1 利用ARIMA模型分析-22

3.3.2 利用残差自回归模型分析-26

3.2.3 两种模型的显著性检验-30

4. 总结与展望-30

参考文献-30

致谢-31

附  录-31