一、引言

网络经济是我国经济的重要组成部分。网络购物也成为当下重要的消费方式①，网络购物市场交易规模已经成为学术界关注和研究的焦点。

目前国内外的许多学者对经济、金融方面的时间序列的发展规律和预测方法进行了研究。文献采用自回归（autoregressive,AR）模型或者自回归滑动平均（autoregressive moving average,ARMA）模型建立了相应的时间序列分析预测模型，得到了较好的结果②-⑤。但是由于ARMA模型要求所研究的时间序列具有平稳性、正态性和零均值性⑥-⑧，故需要提前对序列进行处理，才能运用ARMA模型。所以此建模方法只适合于对序列数据进行预先处理分析，而对于不平稳序列并不能及时有效地进行相关分析。在实际应用中，大多的经济、金融序列是非平稳的，因此此方法不应用于日常的经济数据序列分析。

鉴于此，本文基于我国居民网络购物市场交易规模的历史数据，详细探讨了交易规模演变的建模过程，引入求和自回归滑动平均模型直接对非平稳序列的经济数据进行建模。然而国内外鲜有学者对居民网络购物市场交易规模进行统计分析，基于此，本文以分析我国居民网络购物市场交易规模为目的利用Eviews软件，借助于计量经济学模型的构思，根据ADF检验含有常数项和时间趋势项，由SIC准则确定滞后阶数，并且依据残差序列的ACF图对模型进行适应性的检验，预测未来我国居民网络购物市场交易规模。

2.2.1 量表的内容效度 将中文版N-QOL量表提交给5名相关专家，其中4名临床护理专家、1名护理教育者。专家共修改了1个条目的表达,即将条目12由问句形式“我会因为晚上起夜而感到烦恼吗？”改为陈述形式“我会因为晚上起夜而感到烦恼。”，因陈述表达更符合表达习惯，更便于研究对象作答。经测定，各条目专家内容效度指数(I-CVI)范围为0.8～1.0,量表内容效度指数(S-CVI)为0.923。20例预试验对象能够理解各条目的含义，研究者对其进行访谈，患者对各条目的理解符合条目本意。

二、ARIMA模型构建

（一）模型构建

ARIMA （p,d,q）模型由美国统计学家BOX和Jenkins首次提出⑨，该模型广泛应用于时间序列数据的分析中，具有高预测精度。博克斯-詹金斯提出了针对非平稳时间序列具有广泛影响的建模思想，能够在实际的建模过程中起到指导性作用⑩。

 

 

（二）ARIMA建模步骤

⑫杨叔子,吴雅,轩建平.时间序列分析的工程应用[M].武汉:华中科技大学出版社,2007,2版.

三、实证分析

（一）数据的预处理

1.数据来源。本文选取艾瑞咨询公布的我国2006—2016年的居民网络购物市场季度交易额作为时间序列的数据⑰，记为y,原始数据以及其增长率见图1所示。通过图1，可以大致看出我国居民网络购物市场极度交易额序列为非平稳序列。

注重协同治理，共筑维护政治生态的“防护网”。政治生态建设是一项系统工程，需要各部门单位齐抓共管、同向发力。通过协同治理单位财政局、审计局上报的评价数据，发现在财政资金监管方面存在问题后，我们于今年8月专门针对财务管理突出问题，通过平台向财政局、审计局发送督办单，责成财政、审计部门开展集中整治。通过部门联动、齐抓共管，强化了行业主管部门的责任意识，推动了问题的解决。在协同治理的基础上，根据分析结果，督促问题单位深入排查廉政风险点，建立风险防控制度。2018年，全市副科级以上单位共建立健全各类廉政风险防控制度979项，通过扎紧扎密制度笼子，切实推动了长效治理。□

  

图1 居民网络购物市场交易规模数据

2.数据平稳性检验。在进行协整分析之前，必须要检验时间序列Y是否具有平稳性。本文采用Dickey-Fuller和ADF检验的方法对Y行平稳性检验。检验的结果同样是接受原假设，ΔY序列存在单位根，是非平稳的，结果如表1。同理再次对Δ2Y做差分，则ADF检验结果如表1，图2、3。其中，图2、图3分别是一阶、二阶差分序列图。

（二）模型参数的识别以及优化

在W23012巷、3303措施巷等16个掘进工作面掘进过程中，预警系统对3616个班次进行预警等级的分析(表2)，根据实际情况对比，预警准确性为99.3%。

除去转化这一数学的方式外我们在数学问题解答上也需要采用更多的学习方式，学生的思维是各具特色，应对方法也是应该多样。特别是在具有一定操作的实际问题上。例如“平行四边形面积”教学内容中，探索平行四边形面积公式时可以采用多样的数学方式：从不规则图形转化为规则图形上去探究公式、也可以利用教具“四杆机构”来帮助学生研究公式、从特殊的平行四边形（长方形）中推导公式。根据不同的学生采用不同的数学方式。

 

表1 ADF检验结果

  

项目 t-Statistic 1%level Prob.* 平稳性y 3.068335 -3.596616 1.0000 否ΔY -1.653795 -3.610453 0.4462 否Δ2Y -5.192542 -3.646342 0.0002 是

  

图2 一阶差分序列图

  

图3 二阶差分序列图

  

图4 ΔlnY序列的相关图

2.模型的优化。选取可使得AIC或者BIC取到最小值的那组阶数为最佳值，当理想模型的阶数和相应的参数具有统计学意义时，模型即为建立成功⑱。依据BIC信息准则可最优拟合模型并且可以定阶，建立一阶差分模型。

（三）模型的参数估计和预测

1.模型的参数估计。利用OLS对ARMA(1,1)模型进行参数估计，模型的参数以及BIC值如表2所示。

1.模型的识别。运用BoxJenkins法⑱。由以上研究：Y序列是二阶单整序列。由图4知Y序列lnY是一阶单整序列，即lnY在一阶差分之后序列是平稳的，故此取d=1。由图4可知，ΔlnY序列中ACF在滞后阶数为1时，显著不为零；在滞后阶数大于1时基本处于置信区间之内。PACF与延迟阶数成负相关，在MA和ARMA中选择。

 

表2 模型参数以及BIC

  

模型 MA(1) MA(2) AR(1,1)ARMA(1,2)ARMA(2,1)θ1 0.09325 0.09108 0.08131 0.003453 0.9542 θ2 - 0.68002 - 0.096267 -ø1 - - 0.68122 -0.096123 0.68234 ø2 - - - - 0.06543 BIC-7.60453-7.60432-7.60125 -7.62432 -7.58976

将ARMA(1,1)模型对应系数带入(1)得一阶差分后的序列模型为：

 

2015年5—8月在湖北省武汉市黄陂区农业科学院北部园区试验基地布置田间试验，土壤类型为灰潮土，由江河冲积物发育而成。试验前取耕作层（0～20 cm）土壤，土壤基本理化性状 pH 7.34，有机质 12.86 g／kg，全氮 1.02 g／kg，碱解氮 61.90 mg／kg，速效磷 23.24 mg／kg，速效钾 43.85 mg／kg。

  

图5 ΔlnY序列的ARIMA(1,1,1)模型残差的相关图

  

图6 ARIMA(1,1,1)模型样本内预测拟合图

 

2.利用ARIMA模型对2016—2017年我国居民网络购物市场交易额进行预测，结果如表3所示。

注释：

 

表3 居民网络购物2016—2017实际与误差值 单位：亿元

  

年份 实际值 预测值 相对误差 年份 预测值2016Q1 12598.9 12579.8 0.001 2017Q1 15312 2016Q2 11234.8 12234.9 0.089 2017Q2 16764 2016Q3 13548.9 13568.8 0.001 2017Q3 14324 2016Q4 12629.4 12543.9 0.006 2017Q4 14851

本文主要选择模型ARIMA(1,1,1)对我国居民网络购物交易市场和未来发展进行分析、预测，根据模型预测结果显示，我国居民网络购物消费水平呈现逐步增长的趋势，而且模型预测的误差较小，说明ARIMA模型预测我国居民网额络购物消费水平是切实可行的，可为我国网络购物决策提供参考。

根据上述公式得出图 5、6 并公式（5）、（6）⑲。

⑪BOX G E P,JENKINSG M,Times Series Analysis:Forecasting and Control[M].San Francisco:Holden G day Press,1970.

肯定弘扬是指对多元开放条件下各种积极意识形态的肯定弘扬。在多元化社会思潮、文化、价值观中，有许多正确、积极、进步的因素，如多元化社会思潮中的爱国主义思潮、改革开放思潮、社会主义思潮；多元化价值观中的集体主义、为人民服务的人生价值观等。对于这些积极进步的因素，高校马克思主义意识形态教育必须要给予充分的肯定和弘扬，引导大学生认同和接受这些积极进步的因素，树立起正确的义利观、奉献观和价值观，科学理解和认识人生的价值意义，正确处理个人利益与集体利益、局部利益与整体利益、根本利益与暂时利益、长远利益和眼前利益的关系。

以下是具体的建模步骤⑬-⑯：（1）Step1 时间序列的平稳性检验，通常有三种方法：ADF、DF、PP检验。若检验结果的统计量存在非显著性，则认为序列是非平稳，需要对研究序列取对数和差分等；反之，当统计结果存在显著性，则序列是平稳的，可直接运用ARIMA模型分析。（2）Step2时间序列差分运算取对数再用差分运算处理。（3）Step3对处理后的序列进行ARIMA模型定阶。用差分后序列的ACF图和PACF图，并结合贝叶斯准则 （BIC或者SBC）、赤池信息量准则、残差不相关原则进行模型的初步定阶。观察序列时序图和差分次数，确定合适的 ARIMA（p,d,q）模型。 （4）Step4 模型的参数估计。（5）Step5残差检验。若残差不是白噪声序列，返回Step3。 （6）Step6模型预测。

⑬Hsiao J M,bShieh C J.Evaluating the value of information sharing in asupply chain using an ARIMA model[J].Int Adv Manuf Technol,2006,27(5):604-609.

⑭贺凤羊,刘建平.如何对中国CPI进行季节调整—基于X-12-ARIMA方法的改进[J].数量经济技术经济研究,2011,(05):110-124.

⑮熊志斌.基于ARIMA与神经网络集成的GDP时间序列预测研究[J].数理统计原理,2011,(02):306-314.

⑯许立平,罗明志.基于ARIMA模型的黄金价格短期分析预测[J].财经科学,2011,(01):26-34.

⑰艾瑞咨询.2015年中国网络购物行业年度检测报告[R].2015.

⑱Gorlov M I,Strogonov A V.ARIMA models used to predict the time to degradation failure of TTLIC[J].Russ[A].IEEE 19th International Conference on Web Servinces[C].Honolulu,HI,USA,2012.