【導讀】國或地區(qū)的經(jīng)濟發(fā)展綜合水平通用的指標。這也是目前各個國家和地區(qū)常采用的衡量手。GDP反映的是國民經(jīng)濟各部門的增加值的總額，它被認為是衡量國民經(jīng)濟發(fā)展情況最。重要的一個指標，是宏觀經(jīng)濟中最受關注的經(jīng)濟統(tǒng)計數(shù)字。改革開放三十多年來，中國GDP. 年均增長速度達到%，這一現(xiàn)象被世人譽為“中國經(jīng)濟奇跡”。結(jié)合GDP增速放緩等現(xiàn)。狀，我們開始憂慮中國經(jīng)濟高速發(fā)展期開始謝幕，并會一去不返。會上存有不同的觀點。本文首先查閱《中國統(tǒng)計年鑒》，從中獲得1995-2020年的GDP及。量對我國GDP的影響程度。利用MATLAB統(tǒng)計檢驗，確定最佳模型。其次，因為時間序列。因此本論文基于時間序列理論，以我國1995-2020年的國內(nèi)生產(chǎn)總值為基礎，利用SAS. 對數(shù)據(jù)進行繪圖分析、模型識別、模型估計，及預測。以此來分析中國經(jīng)濟增長的內(nèi)在特。征，并對我國未來短期經(jīng)濟發(fā)展做出分析和預測。最后，基于以上兩點研究結(jié)果，對我國。的經(jīng)濟發(fā)展和經(jīng)濟策略的制定提出可行性建議。

　　

【正文】 b 軟件。 模型的構(gòu)建 GDP 與 全體居民消費水平 、 全社會投資 、 財政收入 、 貿(mào)易進出口總差額 和 人口 的相關系數(shù)都大于 p= =，說明 GDP 與財政支出、進出口總額、固定資產(chǎn)投資、能源消耗總量、社會消費品零售總額、就業(yè)人數(shù)和居民消費水平之間呈正線性相關關 系，且相關性特別顯著。 判決系數(shù)和修正判決系數(shù)都為 1，說明模型的擬合程度很高；在對回歸方程的顯著性檢驗中， F 檢驗的統(tǒng)計量的顯著性概率值 p= =，說明七元線性回歸方程高度顯著；但在對回歸系數(shù)的顯著性檢驗中，居民消費水平回歸系數(shù)的 t檢驗的統(tǒng)計量的顯著性概率值分別為 小于α =，說明居民消費水平對 GDP 的影響特別顯著；但財政支出、進出口總額、固定資產(chǎn)投資、能源消耗總量、社會消費品零售總額、就業(yè)人數(shù)對 GDP的影響不顯著。 由計算所得的判決系數(shù)及檢驗結(jié)果可以看出， GDP 與財 政支出、進出口總額、固定資產(chǎn)投資、能源消耗總量、社會消費品零售總額、就業(yè)人數(shù)和居民消費水平呈顯著的線性相關關系。但建立在的多元線性回歸方程中僅居民消費水平與 GDP 間存在著較顯著的線性關系， GDP 與其他的影響因素的線性關系部顯著。 其中： 本科生畢業(yè)設計（論文）題目 13 x1：全體居民消費水平 x2：全社會投資 x3：財政收入 x4：貿(mào)易進出口總差額 x5：人口 Y：國內(nèi)生產(chǎn)總值 b是回歸方程中的參數(shù)估計值， bint 是 b的置信區(qū)間， r和 rint 分別表示殘差及殘差對應的置信區(qū)間。 StatS 數(shù)組包含三個數(shù)字，分別是相關系數(shù)， F統(tǒng)計量及對應的概 率 p值 b =+03 * bint = +04 * stats = +07 * rcoplot(r,rint) 江南大學學士學位論文 14 我們可以得到 b0= +03 * 的置信區(qū)間為 +04 *（ ， ） b1= +03 * 的置信區(qū)間為 +04 *（ ） b2= +03 * 的置信區(qū)間為 +04 *（ ） b3=+03 * 的置信區(qū)間為 +04 *（ ,） b4=+03 * 的置信區(qū)間為 +04 *（ , ） b5=+03 * 的置信區(qū)間為 +04 *（ , ） 2r =+07 * F=+07* p= P 歸模型為 y=+03 * ++03 * *x1++03 **x2++03 * *x3++03 * *x4++03 * *x5 回歸系數(shù)表示當其他自變量不變的條件下，其對應的自變量的單位變動對因變量平均值的影響。 如 X5 的統(tǒng)計意義；在 X1， X2， X3， X4 保持不變的的情況下， X5 每增加一個單位， Y平均增加 個單位經(jīng)濟意義； 全體居民消費水平 、 全社會投資 、 財政收入 和 貿(mào)易進出口總差額 保持不變的的情況下，居民消費水平每增加 1億元， GDP 平均增加 億元。 本科生畢業(yè)論文（設計）題目 15 第 5 章 結(jié)論與展望 結(jié)論 GDP 的數(shù)據(jù)，利用時間序列的分析方法，根據(jù)其自身規(guī)律建立了簡單合理的模型，并對未來值進行了預測。 ，同時使用了 DW 檢驗和單位根檢驗，并得出了一致的結(jié)論，使得結(jié)論更加可信，也保證了模型的正確性。 ，我們選取了 5 個因素作為分析，但最終只有 1 個因素進入模型，從模型上 看出來，居民消費水平是影響 GDP 最顯著的因素。 不足之處及未來展望 不足之處： 由于數(shù)據(jù)數(shù)量過少，本文所建立的模型并不能完全體現(xiàn) GDP 的變化趨勢 。 未來展望： 出口和投資是拉動我國 GDP 的三架馬車。通過該模型的研究，居民消費水平是影響 GDP 最顯著的因素，我們從理論上驗證了這一觀點。因此，為了拉動 GDP 的增長，政府應該鼓勵和刺激居民消費。如政府可以通過減免稅收，降低儲存利率，提高居民收入和工資等的措施來提高居民購買力和刺激居民消費。 江南大學學士學位論文 16 參考文獻 [1] [1] 阮敬 ,紀宏 . 實用 SAS 統(tǒng)計分析教程 [J]. 中國統(tǒng)計 . 2020(06) [2] [2]汪遠征 .徐雅靜 多元平穩(wěn)時間序列 ARIMAX 模型的應用，統(tǒng)計與決策 2020(18) [3] [3]徐旭 基于 ARMA 模型的我國第三產(chǎn)業(yè)總產(chǎn)值時間序列分析，價值工程 2020(8) [4] [4 李晴，楊春，時間序列分析模型及其在 GDP 預測中的應用研究，安徽農(nóng)業(yè)科學 2020(20) [5] [5]范玉妹，玄婧， ARMA 算法在 GDP 預測中的應用，江南大學學報（自然科學版） 2020(6) [6] [6]董言治，基于 Matlab 的時間序列分析和動態(tài)數(shù)據(jù)建模，計算機工程 2020(12) [7] [7]阮桂海， SAS 統(tǒng)計分析大全 2020 [8] [8]Bruce L Bowerman,Richard 39。 and time series 1993 [9] [9]王振龍，時間序列分析 1999 [10] [10]Aaron Mehrotra, Jenni Paakkonen,Journal of Comparative Economics 39 (2020) 406–411 [11] [11]高輝 . 幾類常用非線性回歸分析中最優(yōu)模型的構(gòu)建與 SAS 智能化實現(xiàn) [D]. 中國人民解放軍軍事醫(yī)學科學院 2020 [12] [12]楊圣奇 . MATLAB語言在一元回歸模型建立中的應用 [J]. 重慶工業(yè)高等?？茖W校學報 . 2020(04) [13] [13] 王振友 ,陳莉娥 . 多元線性回歸統(tǒng)計預測模型的應用 [J]. 統(tǒng)計與決策 . 2020(05) [14] [14]中國統(tǒng)計年鑒 本科生畢業(yè)論文（設計）題目 17 致 謝 時間飛速流逝，轉(zhuǎn)眼間，大學的美好時光即將結(jié)束，畢業(yè)的腳步越來越近，在此向給予我關心、幫助和指導的老師和同學們表達最誠摯的感謝。 首先，要感謝我的導師：孔祥智教授。孔老師學識淵博、治學嚴謹、認真負責，給予我許多幫助和指導，此文正是在孔 老師的悉心指導下完成的．此外，孔老師為人十分親切、平易近人，不僅在學術研究上給予指導，還十分關心我們的實習和工作等，時常鼓勵和關心我們，對于我們的不足之處也十分包容，可謂是我們的良師益友． 再來，要感謝與我的同學郝明，潘慧芳，劉涵等人。通過與他們的交流，不僅解決了我的很多疑惑，而且獲得了更多的信息，感謝他們給予我的幫助和鼓勵． 此外，還要感謝我的室友們。感謝李國華同學在我搜集學習資料時給了我很大幫助，感謝艾鵬、李少峰同學幫我傳達一些學校安排，也感謝我室友在生活和精神上給我的支持和鼓勵． 最后，我還要感謝大學 期間的所有老師、同學和朋友們，感謝所有人對于我學習和生活上的幫助和指導。因為有你們，我的大學生活才能如此美好，我會將這分美好永遠留在心中。也衷心的祝愿你們所有人在今后的人生道路上一帆風順。 附錄 18 附錄 ： SAS 程序： ARMA(2,1) 程序： data E1。 input x@@。 difx=dif(x)。 t=_n_。 cards。 78973 401202 471564 。 proc arima。 identify var=x(1)。 estimate p=2 q=1。 forecast lead=10 id=t。 run。 ARMA(4,3) 程序： data E1。 input x@@。 difx=dif(x)。 t=_n_。 cards。 78973 401202 471564 附錄 19 。 proc arima。 identify var=x(1)。 estimate p=4 q=3。 forecast lead=10 id=t。 run。 Matlab 程序： x1=[184 208 238 264 288 316 361 446 497 565 714 788 833 932 1116 1393 1833 2355 2789 3002 3159 3346 3632 3887 4144 4475 5032 5596 6299 7310 8430 9283 10522 12570 14098]。 x2=[20202 20203 20204 20205 20206 20207 20208 20209 20200 20201 20202 20203 20204 20205 20206 20207 20208 ]。 x3=[ ]。 x4=[ ]。 x5=[ 2500 6550 ]。 y=[ ]。 X=[ones(35,1),x1’ x2’ ,x3’ ,x4’ ,x5’ ]。 [b,bint,r,rint,stats]=regress(y,X)。 b,bint,stats