matlab对经济指标分析,经济背景下的数据预测分析--基于matlab建模(郑铿城)
1、经济预测概述
经济预测有三个要素,实际资料是预测的依据;经济理论是预测的基础;数学模型是预测的手段;
经济预测的内容包括生产和资源预测,市场预测,国民收入分配预测,居民生活质量预测等。
预测步骤:第一步确定预测目标,第二步收集和整理相关资料,第三步选择预测方法,第四步建立预测模型,第五步评价预测模型,第六步利用模型进行预测并分析预测结果。
在进行经济预测的时候,首先要学会对统计数据进行处理:
2、统计数据处理
example:
分析“工商银行”、“建设银行”和“中国银行”三只股票的收盘价
>> A=[4.55 5.68 4.02
4.72 5.69 4.18
4.86 6.16 4.34
4.69 5.19 4.17
4.66 5.85 4.12];
>> [m,n]=size(A);
>> t=1:m;
>> x1=A(:,1);
>> x2=A(:,2);
>> x3=A(:,3);
>> plot(t,x1,'-ob',t,x2,'-+k',t,x3,'-^r')
>> legend('工商银行','建设银行','中国银行')
>> xlabel('时间/天')
>> ylabel('收盘价/元')
3、异常点数据鉴别
在进行预测前,我们要对收集的数据进行鉴别,确定出一些异常的数据。
举例:
寻找异常点,并进行剔除,异常点寻找的第一种方法是图形观察法:
example:
x=[57346.5 57997.61 58844.99 57691.64 58438.53
60259.53...
63040.51 72896.19 61949.81
60772.46 59075.97 58604.26];
plot(x,'o-')
xlabel('时间')
ylabel('货币供应量/亿元')
运行得到图片:
从图片中可以看出第八个点的数据严重偏大,说明该点的数据不能反映我国2月的货币供应量的正常情况,从而视为异常值,要进行处理。
异常点鉴别的第二种方法:统计滤波法
该方法是利用已有的数据,确定数据允许变动的范围,即上限和下限,凡是在这个范围以外的数据就被认为是异常数据。该方法需要根据样本容量来查k值表,确定k值。
假设有10个样本数据,通过该方法来确定出异常点:
X=[31 34.5 34.3 24 30.8 31.8 32.1 36 42 35]
x=mean(X)
s=std(X)
p1=0.95
p2=0.99
n=10
k=4.43
yd=x-k*s
yu=x+k*s
a=find(Xyu)
z=X(a)
t=1:10
plot(t,X,'o-')
xlabel('序号')
ylabel('产品数量值')
在脚本中输入上述代码,通过运行得到图片:
从图片中可以看出,第4个点和第9个点与其他点的偏离程度较大,为异常点。(注:当样本量为10,p1取0.95
p2取0.99的时候,k为4.43)
第三种寻找异常值的方法为拉依达准则,该准则是不适用与样本个数小于10的情况,当样本足够大的时候,使用该准则会比统计滤波法算法更加简单,取20个样本做分析。
X=[31 34.5 34.3 24 30.8 31.8 32.1 36 42 35 37 34 36 34.2 36 28 33
31 35 33.8]
x=mean(X)
s=std(X)
a=find(abs(X-x)>3*s)
z=X(a)
t=1:20
plot(t,X,'o-')
xlabel('序号')
ylabel('产品数量值')
得到:
从图片也可以看出4号和9号为异常点。
4、经济数据预处理的方法:
剔除法、还原法、比例法等
剔除法是去掉那些不可以如实反映预测对象正常发展趋势的数据,该方法常用于时间序列数据,但是具有破坏时间序列数据连续性的缺点。
还原法就是把数据处理成没有突变因素影响时本应表现的数值。比如可以用异常数据前后两期数据的算术平均值或者几何平均值进行数据还原。
对于还原以后的数据组,可以使用corrcoef求数据间的相关系数,来观察处理以后的结果。
example:
>> x=[14200.4 14474.2 14739.3 15236.4 14875 15307.1 15808.9
18098 17327.3 17746.7];
>> y=[15305.55 15236.30 16485.38 23886.98 17939.18 17894.10
20087.09 37075.11 22990.51 22699.63];
>> r=corrcoef(x,y)
得到结果:
r =
1.0000 0.8115
0.8115 1.0000
故在没有处理数据之前,x和y的相关系数为0.8115
那么我们对y4数据和y8数据进行调整,利用的是还原法(算术平均值)
>> y4=(x(3)*y(3)+x(5)*y(5))/(2*x(4));
>> y8=(x(7)*y(7)+x(9)*y(9))/(2*x(8));
>> y(4)=y4;
>> y(8)=y8;
>> r1=corrcoef(x,y)
得到相关系数为:
r1 =
1.0000 0.8735
0.8735 1.0000
即:0.8735,通过还原法,使得处理以后的数据的相关性程度更强,再来构建模型,效果会更好。
5、数据初始化处理的方法:
归一化法:
归一化法是用来消除指标之间的量纲差异的方法,用指标样本值除以该指标所有样本数据之和即可。
MATLAB命令:Y=X./sum(X)
当然也可以把所有的数据分别除以x中的第一个数据
MATLAB命令:Y=X./X(1)
标准化法:
这个方法是目前普遍使用的无量纲化方法,用x值减去x的平均值,再除以标准差,通过标准化以后。指标的平均值就是为0,方差就是为1(概率论知识)
MATLAB命令:Y=(X-mean(X))./std(X)
一个比较合理的评价模型的方法,是在进行预测的时候,并不将所有用来估计参数的观察值都用在预测上,而是将某些数据保留下不用,用于检测得到的预测精度。
微信公众号:LPstyle
QQ:1257992189(备注:软件交流)
matlab对经济指标分析,经济背景下的数据预测分析--基于matlab建模(郑铿城)相关推荐
- 【BP数据预测】基于matlab鸟群算法优化BP神经网络数据预测【含Matlab源码 1772期】
一.鸟群算法优化BP神经网络简介 1 BP 神经网络 BP神经网络是一种按误差逆向传播算法训练的多层前馈网络, 主要由输入层.中间层和输出层组成, 拓扑结构如图1所示. BP 神经网络是通过不断对样本 ...
- 【ELM数据预测】基于matlab粒子群算法优化ELM数据预测(含前后对比)【含Matlab源码 449期】
一.粒子群算法优化极限学习机ELM简介 PSO-ELM优化算法预测模型 ELM模型在训练之前可以随机产生ω和b, 只需要确定隐含层神经元个数及隐含层神经元激活函数, 即可实现ELM预测模型的构建.在E ...
- 【BP数据预测】基于matlab人工鱼群算法优化BP神经网络数据预测【含Matlab源码 523期】
一.人工鱼群算法简介 1 觅食行为 指鱼循着食物多的方向游动的一种行为,人工鱼X i X_iXi在其视野内随机选择一个状态X j X_jXj,分别计算它们的目标函数值进行比较,如果发现Y j ...
- 【LSSVM数据预测】基于matlab灰狼算法优化LSSVM数据预测【含Matlab源码 433期】
⛄一.灰狼算法优化LSSVM简介 灰狼优化算法是一种新型的群体智能优化算法,它是通过模拟狼群的种群地位.跟踪猎物.包围猎物和攻击猎物而设计出来的.假设搜索空间是D维,那么第k个个体的位置可以表示为xk ...
- 【BiLSTM数据预测】基于matlab双向长短时记忆BiLSTM数据预测【含Matlab源码 1824期】
⛄一.LSTM和BiLSTM神经网络结构及原理介绍 长短期记忆网络(Long short-term memory, LSTM)实质上可以理解为一种特殊的RNN,主要是为了解决RNN网络在长序列训练过程 ...
- 【RNN数据预测】基于matlab时间反向传播 (BPTT) 训练RNN递归神经网络预测【含Matlab源码 2434期】
⛄一.RNN模型 RNN为时间序列问题.语音识别.情感分析等提供了大量的工具.简单RNN.LSTM和GRU是单向RNN模型:而双向LSTM和双向GRU是双向RNN模型. 简单的RNN是一个带有输入序列 ...
- 【BP数据预测】基于matlab斑点鬣狗算法优化BP神经网络数据预测【含Matlab 219期】
⛄一.斑点鬣狗算法简介 斑点鬣狗的行为可以简化为搜索.包围.狩猎和攻击猎物.建立粘性集群有助于斑点鬣狗之间的有效合作,也最大限度地提高适应性.本节对斑点鬣狗的狩猎技术和社会关系进行数学建模.这种行为的 ...
- 【DBN数据预测】基于matlab粒子群算法优化DBN数据预测【含Matlab源码 1420期】
⛄一.DBN算法简介 DBN是深度学习方法中的一种常用模型,是一种融合了深度学习与特征学习的神经网络.DBN网络结构是由若干层受限玻尔兹曼机(Restricted Boltzmann Machine, ...
- 智慧医院建设背景下的电子病历分析利用框架
点击上方蓝字关注我们 智慧医院建设背景下的电子病历分析利用框架 徐良辰, 郭崇慧 大连理工大学系统工程研究所,辽宁 大连 116024 摘要:作为核心的医疗大数据,电子病历成为智慧医院建设的基础,对电 ...
最新文章
- (二)spring cloud微服务分布式云架构 - 整合企业架构的技术点
- Symfony2 学习笔记之命令app/console
- HDFS多用户管理ACL机制other权限访问控制的理解
- future.channel().closeFuture().sync()作用 bind(port).sync()作用
- POJ - 3322 Bloxorz I(bfs+状态设计)
- 阿里P8面试官都说太详细了,面试资料分享
- 汇总:一些不错的使用频率比较高的JS函数
- Spring Security中关于认证授权的配置
- java 常用的五大包
- TP5.0Composer安装phpQuery
- WPA破解原理简要——无线网络破解续
- 所谓的进步和提升,就是完成认知升级
- 微博营销技巧都有哪些?应该从哪些方面入手?
- 服务器、存储和网络虚拟化的实现与应用
- 沟通的艺术:看人入里,看出人外 - part6
- java中singleton_java中singleton的几种实现方式
- centos安装NIS
- DSP Flash运行代码
- Avoid The Lakes(避开湖泊C++)
- 怎样成长为优秀的软件架构师?
热门文章
- bmp文件头_图像算法原理与实践——图像文件存储
- sqldeveloper创建账号_用oralce 自带工具sql developer 创建表空间,用户,权限
- Android ImageButton示例代码
- uuid hashcode_Java UUID hashCode()方法与示例
- java中jdom,java – JDOM中的命名空间(默认)
- dom属性和html属性_HTML属性
- wfm扩展_WFM的完整形式是什么?
- 木板最优切割利润最大_最多进行K笔交易的股票最大买卖利润
- Matlab制作朱利表
- linux localhost的修改