论文总字数：28928字

摘 要

我国经济当前正处于转型之中，要从高速增长阶段过渡到高质量增长阶段，对宏观经济的预测不仅对政策的制定者有重要的参考作用，对稳定人民创造价值的信心同样有重要意义。而传统的时间序列预测方法和同频数据预测模型都有一定的局限性，会使信息有所损失或者虚增使得预测误差较大或者在预测时效性上大打折扣。

因此本文选择与GDP息息相关的电力数据作为预测指标，利用月度电力数据来预测季度GDP值，首先通过分析电力数据与GDP的组成结构在此基础上对两者进行格兰杰因果检验，发现用电量确实可以引起GDP变化，是GDP的格兰杰原因，因此可以作为GDP的预测因子；然后构建MIDAS混频数据模型使得高频月度数据与低频季度数据能够联系起来，而不仅仅是利用加总或插值使得数据变为同频之后在进行建模和分析，利用全国及江苏省的月度用电量数据来预测全国或江苏省的季度GDP值，并与同频数据模型ARDL进行了比较分析发现对四种不同权重的MIDAS模型来说都是带有自回归项的MIDAS-AR（p）模型预测效果最好且混频数据模型预测精度高于同频数据模型。

关键词：电力数据 混频数据模型 GDP预测

ABSTRACT

China's economy is currently in the process of transformation. In order to transition from high-speed growth to high-quality growth, macroeconomic prediction plays an important reference role not only for policy makers, but also for stabilizing people's confidence in creating value. However, the traditional time series forecasting methods and the same frequency data forecasting models have certain limitations, which will cause information loss or false increase, which will make the prediction error larger or reduce the timeliness of the prediction greatly.

Therefore, this paper chooses the electricity data closely related to GDP as the forecasting index, uses monthly electricity data to forecast quarterly GDP value. Firstly, after analysing the composition structure of electricity data and GDP, this paper carries out Granger causality test on them, and finds that electricity consumption can indeed cause GDP change, which is the Granger cause of GDP, so it can be used as the forecasting factor of GDP. The mixed frequency data model—MIDAS can link high frequency monthly data with low frequency quarterly data, not only to use summation or interpolation to make the data become the same frequency after modeling and analysis, to use monthly electricity consumption data of the whole country and Jiangsu Province to forecast the quarterly GDP value of the whole country or Jiangsu Province, and to compare and analyze with ARDL, which is the same frequency data model, to find four different weights. For heavy MIDAS models, the MIDAS-AR(p) model with autoregressive term has the best prediction effect, and the prediction accuracy of mixed frequency model is higher than that of the same frequency data model.

KEY WORDS: power data mixed frequency model GDP prediction

目 录

摘 要 I

ABSTRACT II

第一章 绪论 1

1.1 GDP与电力行业介绍 1

1.2预测方法介绍 1

1.3研究思路 2

第二章 文献综述 3

2.1前言 3

2.2正文 3

2.2.1关于电力消费与经济发展的关系 3

2.2.2关于电力数据与GDP数据质量 4

2.2.3关于经济预测模型方面 4

2.3总结 8

第三章 相关理论及模型 9

3.1平稳序列和非平稳序列 9

3.2 ADF检验 9

3.3格兰杰因果关系检验 9

3.4 ARDL模型 10

3.5 MIDAS模型 10

3.5.1单一解释变量的MIDAS 10

3.5.2 MIDAS 模型中的权重函数 11

第四章 电力数据与GDP关系分析 12

4.1数据来源及处理 12

4.2 GDP数据与用电量数据发布特点 12

4.3用电量与GDP数据的组成分析 13

4.4用电量与GDP变化趋势图 14

4.5全国及江苏省用电量与GDP的关系分析及检验 15

4.5.1单位根检验 15

4.5.2格兰杰因果关系检验 17

第五章 建立MIDAS混频模型对GDP进行预测 18

5.1模型选择原因 18

5.2数据来源及处理 18

5.3混频数据的单位根检验 18

5.4构建MIDAS混频模型 19

5.5 MIDAS四种不同权重函数的拟合优度 19

5.6嵌入被解释变量本身滞后项的MIDAS-AR(p)模型及预测效果 20

5.6.1 MIDAS-AR（p）模型拟合优度情况 20

5.6.2 MIDAS-AR（p）模型预测结果检验 21

5.7与ARDL模型预测结果的比较 23

5.7.1 ARDL模型构建 23

5.7.2 ARDL模型拟合结果 23

5.7.3 MIDAS与ARDL模型预测结果比较 23

第六章 结论与不足 25

6.1结论 25

6.2不足 25

致 谢 27

参考文献（References） 28

第一章 绪论

1.1 GDP与电力行业介绍

国内生产总值（简称GDP，也叫国民生产总值)是指在某一既定时期内一个国家或地区内生产的所有最终产品与服务的市场价值，同时衡量经济中所有人的总收入和用于经济中物品和服务产出的总支出，可以当作国家或地区经济状况好坏的标准,反映了一个国家或地区经济表现的好坏。建国以来，我们国家一直追求GDP快速发展，力求经济实力大幅提升，经济基础决定上层建筑，我们国家想发展想富强离不开经济的快速发展。2010年，中国的GDP总量超过了日本成为了全球第二大经济体，喜悦的同时我们也应该看到我国人均GDP与发达国家仍有很大差距，因此还是有许多的发展空间。前些年我们追求的是国民生产总值快速增长，现在我们更需要的是国民生产总值高质量稳步增长，要抓质量而不是只抓速度。从党的十三大提出的老的三步走强调国民生产总值翻番到十八大以来新的三步走不再提国民生产总值翻番目标，我们可以看出中国经济正处于转型之中。为了深化供给侧改革，调整产业结构，国民生产总值的年增长率也有所下调，不再追求盲目的快速增长，而是有质量的增长。而政策的制定需要对经济状况做出合理而又准确的预判，所以对经济趋势做出及时而又准确的预测是非常有必要的。不仅如此，有效而又精确的GDP预测对社会主义市场经济健康发展以及强化公民创造价值信心方面也有重要意义。

电力行业是关系国计民生的基础能源产业，是国民生产的支柱行业，我们的生活已经处处离不开电力，更不用说各个行业产业对电力的需求了。而GDP的组成包括了第一产业第二产业第三产业等等，所以GDP与电力行业是息息相关的。GDP的提高需要电力这种能源的支持，电力可以说是宏观经济的基础；但是GDP的发展又可以反过来拉动电力需求的增长，所以从电力消费这种能源消费的角度来研究GDP预测GDP是有所创新且有意义的。

1.2预测方法介绍

在预测的方法上，首先要提到的就是GDP和电力数据的频率问题，GDP的发布是季度的，频率较低且具有一定的时滞性，而电力数据的发布是月度的，高频及时，月度数据的优势就在于能够更加实时地跟踪经济。对于研究时间序列数据的人员来说，不同频率下采样数据的可用性一直是一个难题。一方面，高频可用的变量包含潜在的有价值的信息。另一方面，如果某些变量在较低的频率下可用，那么就不能直接使用这些高频信息，因为大多数时间序列回归都涉及在相同间隔内采样的数据。由于GDP数据的时滞性，所以利用其本身进行预测精度还不够高，而电力与GDP又息息相关，所以从电力角度考量为预测GDP提供了一种新思路。但是，由于两者频率不同，因此预测要做一些处理，在以往的很多研究中一般有两种方法：一是把高频数据利用加总或者取平均值等方法将它处理成与低频数据同等频率的数据，这是比较常用也比较容易理解的方法；二是，采用插值等方法将低频的数据处理成高频数据，但是这种插值法的误差不言而喻。前一种方法没有充分准确利用高频的数据，造成数据的浪费和信息的损失，可能会丢弃许多潜在有用的信息，从而使得变量之间的关系难以检测；后一种方法由于是插值的，所以预测的准确性很低，误差很大。因此本文在模型选择上选取了混频数据处理模型MIDAS模型，这样高低频数据都能充分利用，预测的准确性也会有所提高。虽然有很多经济学家和国内外许多学者致力于对宏观经济进行预测，但是还是没有一个确定而又充分精确的模型来进行预测，本文从电力数据的角度通过构建混频数据模型并与其他模型例如同频数据处理模型ARDL进行比较和分析，可以丰富预测GDP的指标。

1.3研究思路

本文通过理论学习分析和实证研究检验的方法来对GDP进行预测。首先通过阅读大量的国内外文献来了解用于预测的混频数据模型，了解这些模型的机制，了解电力行业以及电力数据，了解进行经济预测已有的方法并进行整理。然后搜集电力数据和GDP数据，要先对电力消费和宏观经济的关系做出分析，先观察电力消费数据与GDP之间的趋势走向相关性如何，然后通过具体检验方法加以验证。在判断电力消费数据能进行GDP预测的基础上，通过实证建模的方法对GDP进行预测，并且比较这些不同的模型各自的预测准确性，最后通过对结果的分析得出结论以及提出一些不足之处。本文展开思路：

剩余内容已隐藏，请支付后下载全文，论文总字数：28928字