摘要由于杭州经济发展迅速，杭州市的 CPI 预测具有十分重要的现实意义。论文数据来源于 杭州统计局官方数据，选取样本 2012 年 1 月到 2016 年 12 月的月度数据。本文在分析研究 多类预测 CPI 统计模型的基础上，首先利用 CPI 八大构成指标，建立多元统计线性回归模型， 利用 SPSS 软件分析得到回归方程：

接着采用逐步回归的方法对模型进行修正，而后对 CPI 及其走势做出同期验证，并给出 了本次线性回归模型应用的精确程度。结论:该回归方程的拟合度较高,且 F 检验、t 检验都 十分显著，模型不存在多重共线性问题，模型修正前后结果相一致。值得一提的是，CPI 实 际值和预测值的差距在 0。3%内。最后，本文就模型做出优缺点评价以及粗浅的建议。88111

毕业论文关键词：CPI 预测； 多元线性回归； 逐步回归

Abstract Because of the rapid economic development in Hangzhou, the prediction of CPI in Hangzhou has an important practical significance。 The data of this paper  come from Hangzhou Statistical Net， taking monthly data from January 2012 to December

2016 as an example。 Based on analyzing different kinds of statistical models of predicting CPI, the paper firstly builds multivariate linear regression model by analyzing eight indicators which consist of CPI。 By using SPSS software to operate, the estimated multivariate linear equation is that 

Then, the model is modified by the stepwise regression method。 After that the CPI and its trend are verified, and the accuracy of the linear regression model is given。 The conclusion: the fitting degree of the regression equation is high, and the F test and t test are extremely significant; the model does not have multicollinearity problem; the result of correction is as same as the original one。 It is worth mentioning that the gap between the actual value and the predicted value of CPI within 0。3%。 Finally, this paper makes the evaluation of the advantages and disadvantages of the model and the suggestions to the society。

keywords：the prediction of CPI; multiple linear regression; stepwise regression method

目 录

1 引言 1

2 统计模型在预测 CPI 中的应用 2

2。1 线性回归模型在预测 CPI 中的应用 2

2。1。1 运用构成 CPI 内因的预测 2

2。1。2 运用宏观经济变量的预测 2

2。2 其他数学模型在预测 CPI 中的应用 2

3 理论准备 4

3。1 CPI 的基本概念 4

3。2 线性回归模型的理论基础 4

4 实际预测 5

4。1 数据收集与整理 5

4。2 杭州市 CPI 指数的预测 6

4。3 统计模型的检验与修正 8

4。3。1 模型的检验 8

4。3。2 模型的修正 9

5 评价与建议 14

5。1 模型的优缺点 14

5。1。1 模型的优点 14

5。1。2 模型的缺点 14

5。2 对有关部门的建议 15

参考文献 16

致谢 17

附录 28

1 引言

居民消费价格指数（CPI），是用来反映居民家庭购买消费商品及服务的价格水平的变动 情况。CPI 不仅和人民群众的生活密切相关，作为宏观经济指标，它更在整个国民经济价格 体系中占据重要的地位，是进行经济分析和决策、价格总水平监测和调控及国民经济核算的 重要指标。虽然 CPI 是一个滞后性数据，但 CPI 各指标的价格变动可能包含反映未来通货膨 胀变动有用的信息，是我国核心通货膨胀的核心度量数据。更重要的是，CPI 的预测可以为 宏观经济政策制定和小微企业规避风险起到预报作用；CPI 能够为政府管理部门体察市民的 生活成本,分析和制定相关的货币政策、财政政策提供较大的参考价位。但 CPI 的频繁波动 及通货膨胀不仅会对居民的生活造困扰,影响人民生计,还会扰乱经济秩序,因此从内在根本 原因去找寻找的波动原因,掌握其波动规律,为政府部门可以提前采取措施使其波动程度控 制在合理的范围，因此对杭州市 CPI 的预测十分重要。2015 年，杭州 GDP 首次突破 2 亿、《杭 州都市圈发展规划》提出新目标、2016 年 9 月顺利举行了二十国集团领导人第十一次峰会 (G20 峰会)……其中和百姓息息相关的是 CPI。重大国际会议不仅能提升举办地的品牌形象， 还可以促进居民消费，为主办城市带来显著的经济和社会效益。在与国际接轨中,其居民消 费水平展现出很强的生命力,这促进了杭州市各项产业结构的升级,也带动了居民消费结构 的升级。随着杭州阿里巴巴电商行业的高速发展与政府大量便民公共工程的不断建设,居民 的整体收入水平和生活质量在不断地提高，这在一定程度上推高了居民的基本消费水平。在 后文中，首先概括了统计模型在预测 CPI 中应用的不同情况，综述不同经济指标各自的适用 的不同模型，及其建模结果和模型利弊。再介绍了有关线性回归模型的理论预备知识，并且 说明了该模型的适用性。再将模型运用于实践，利用杭州宏观数据网站（杭州市统计局指定 数据发布平台）发布的 2012 年 1 月—2016 年 12 月中国杭州居民消费价格八大分类指标的 数据及居民消费价格指数，本文从复杂性、科学性的角度出发,结合经济学理论原理,运用常 见的多元回归模型，针对 CPI 包括食品烟酒、衣着、居住、生活用品及服务、交通和通信、 教育文化和娱乐、医疗保健、其他用品和服务 8 大类分指标在内的短期波动特征,得到建立 线性回归方程，对 CPI 做出同期验证。源-于,优W尔Y论L文.网wwW.youeRw.com 原文+QQ75201,8766

2 统计模型在预测 CPI 中的应用

2。1 线性回归模型在预测 CPI 中的应用文献综述

2。1。1 运用构成 CPI 内因的预测

杨凌云（2010）认为，CPI 反映通货膨胀水平、有助于市场经济活动和政府货币政策的 制定，CPI 的预测对我国相应部门作出正确的宏观决策有积极意义。基于 2007 年 7 月到 2009 年 2 月的 CPI 数据，首先，明确 CPI 变化的八大内因；接着，运用主成分分析法找到三个综 合指标：基本物质生活、优质物质生活以及精神生活；最后，通过统计分析，建立三个综合 指标的回归模型，进行同期验证性预测，预测结果在置信区间内，表明该模型拟合度相当高

（R2=0。996）。胡博（2016）采用 2003 年到 2014 年河南省 CPI 的八个指标数据建立回归模 型，通过逐步回归分析找出影响 CPI 变化的主要因素：食品和交通通信消费价格指数，得到 最优方程，给出相应依据和规划建议。

2。1。2 运用宏观经济变量的预测

李生彪、杨旭升（2012）应用相关经济知识及考虑数据的可能性，选取商品零售价格指 数、农业生产资料指数、工业品出厂价格指数、原材料、大燃料及动力购进价格指数、固定 资产投资价格指数和农产品价格指数作为内生变量，以 1999 年到 2010 年甘肃省的经济数据 为基础，建立预测该省 CPI 的回归方程，理论检验得出模型和数据的拟合度极高（R2=0。9984）， 再通过方差分析和数据模拟检验方法进行实际检验，模型精确度达 99。4626%。张愿章、王 淑敏（2010）同样运用该 5 个指标，以 1991 年到 2008 年河南省 CPI 为依据，确定 CPI 和指 标的多元线性回归方程，并对其进行理论阐述和实际检验，精确度达 97。8625%。

王东（2011）基于 2009 和 2010 年的国家统计数据，试图找到短期内对 CPI 有较强影响 的宏观经济变量，建立多元回归模型，对 CPI 上涨因素进行相应分析，得出货币供应量是影 响我国 CPI 持续走高的主要原因，房地产价格指数与 CPI 也具有显著线性关系。

2。2 其他数学模型在预测 CPI 中的应用

现有国内外文献中，主要由传统时间序列方法、非参数模型方法以及数据挖掘的方法。 其中，多以回归分析、向量自回归为传统时间序列计量经济学模型的主要方法；非参数模型 则是建立传统时间序列模型之上，通过修正而得；数据挖掘是新颖的应用手段；而极少部分From~优E尔L论E文W网wWw.YoUeRw.com 加QQ7520.18766

则运用小波神经网络等方法。 1．建立时间序列模型的方法

高春玲（2010）采用季节调整方法得出结论，居民消费价格指数呈现出明显的季节性， 春节前后物价会出现较大幅度上涨，春节过后物价会逐渐回落，6—7 月份达到最低点然后 又开始回升。张丽和牛惠芳（2008）运用 ARIMA 模型对 CPI 进行了预测。陈娟，余灼萍（2005） 并根据 1951 年到 2002 年我国居民消费价格指数的统计资料，运用 ARIMA 模型，对我国的居 民消费价格指数进行了短期预测。刘川和牛忠江（2010）通过 ARIMA 模型分析和预测了广东 城乡 CPI 差距，并得出随着工业化和城市化推进，城乡 CPI 差距相对稳定的结论。

2．非参数模型方法 相对于参数方法，非参数方法具有灵活性、简单易操作和稳健性等特征，在经济金融领

域得到广泛的应用，在解决非线性序列时具有明显优势，对于非线性 CPI 序列的研究也取得 显著的成效。陈明丽（2008）2008 年下半年 CPI 趋势预测——基于二次指数的平滑研究，， 以及顾小涵（2014）基于 ARMA 乘积模型的 CPI 指数分析及预测，均在传统参数模型的基础 上，对变量进行代换修改等。因此近年来我国通货波动不稳定状态幵始大幅增加，为保持物 价稳定，亟需政府调控。