基于自组织数据挖掘的GDP预测研究

摘要

GDP预测一直以来都是学者们研究的焦点。针对以往的建模方法和研究方法存在的问题和缺陷,使研究过程更加客观与真实,并尽量避免人为主观因素的影响,本文引入了一种新的GDP预测方法——自组织数据挖掘算法(Group Method of Data Handling,GMDH)。自组织数据挖掘是一种以数据为导向的复杂系统建模方法,它的建模过程与生物进化过程极为相似。通过建模结果能相对容易地认识复杂事务的本质规律。它在方法上应用数学组合方法和基于不同启发准则的阀值型自我选择方法,满足了客观性与真实性的要求。
　　 本文以宏观经济数据为基础,应用自组织数据挖掘进行GDP预测。文章最主要的创新之处在于算法的改进与算法的实现。在算法改进部分,提出改进型的GMDH算法——多重GMDH算法,该算法不仅保留了原始变量,在参数设置上更加严格,同时设置了新的有效的停止法则来进行多重模型构建;在算法实现部分,提出了几种新的数据预处理方法,并将改进的算法应用到我国GDP预测模型中去。模型最终保留了4个有效变量,解释结果较合理。同时模型精度也令人满意。最后将所得到的结果与其他3种模型一一神经网络、时间序列、多元回归相比较,发现改进的算法在精度上均优于以上3种方法。