前言
电力增长率，计算公式为当年供电量/前一年供电量*100%，电⼒发展对经济增长有显著的正⾯影响，⽽且其长期影响明显⾼于短期影响。其中，电⼒投资率每增加1个百分点，短期经济增长率提⾼0.076个百分点，长期经济增长率提⾼0.493个百分点；发电装机容量每增加1个百分点，短期经济增长率提⾼0.381个百分点，长期经济增长率提⾼1.905个百分点。其次，电⼒发展对经济增长的影响具有显著的地区差异，对东部地区的经济增长影响显著⾼于西部地区。其中，电⼒投资率增加1个百分点对东部地区的经济增长率影响⾼于西部地区达0.913个百分点；电⼒装机容量增加1个百分点对东部地区的经济增长率影响⾼于西部地区达0.959个百分点。
因此，受国内外多种复杂因素影响，中国电力消费超预期增长。深入分析电力消费快速增长的原因，剖析中长期电力需求的影响因素，科学研判未来电力需求增长趋势，对电力工业高质量发展具有重要意义。
关于AR模型
时间序列分析方法非常有效，广泛运用于社会许多方面，比如，可以运用在安全检查中，经常可以及时发现问题，尽可能及早 排除故障程序，还可以预测人口，预测地震等诸多运用。
自回归模型（英语：Autoregressive model，简称AR模型），是统计上一种处理时间序列的方法，用同一变数例如x的之前各期，亦即x1至xt-1来预测本期xt的表现，并假设它们为一线性关系。因为这是从回归分析中的线性回归发展而来，只是不用x预测y，而是用x预测 x（自己）；所以叫做自回归。
文字描述为：X的期望值等于一个或数个落后期的线性组合，加常数项，加随机误差。
建模步骤
Stata是一款非常优秀的统计分析软件，提供其使用者数据分析、数据管理以及绘制专业图表。它拥有很多功能，包含线性混合模型、均衡重复反复及多项式普罗比模式。用Stata绘制的统计图形相当精美。Stata的统计功能很强，除了传统的统计分析方法外，还收集了近20年发展起来的新方法，如Cox比例风险回归，指数与Weibull回归，多类结果与有序结果的logistic回归，Poisson回归，负二项回归及广义负二项回归，随机效应模型等。
本文研究的数据来源于国家统计局，该数据库提供了2000-2004年每月的电力增长（单位：百分比）。在stata导入数据后，将t变量设为时间序列变量：tsset t
建模步骤流程如下：
（一）平稳性检验：
我们先观察时序图，命令为twoway (tsline x, recast(connected))
可以大致判断没有明显的周期和趋势，是平稳序列
但直观判断并不准确，所以我们继续做检查，我们画出自相关图：
可以看出随着阶数增加，自相关系数迅速向零靠拢，并始终在两倍标准差内，可视为平稳。
接下来我们进行单位根检验，命令：dfuller x
dfuller x, lags(0) drift
dfuller x, lags(1) drift
可以看到p值<0.05,落入拒绝域内，拒绝序列不平稳的原假设，所以最终判断该序列平稳
（二）随机性检验：
自相关系数如下
可以看到自相关系数都不显著为0，所以初步判断各值之间是有联系的，不是白噪声序列
接下来我们将x变量进行回归
提取残差值：predict e1,r
调出Q统计量的p值<0.05,拒绝自相关系数全部为0的原假设，所以最终判断为非白噪声序列
（三）选择模型：
我们做出自相关图
和偏自相关图
可以看出自相关图具有明显拖尾性，偏自相关图具有3阶截尾。初步估计为AR（3）模型，即三阶自回归模型
我们进行模型拟合,命令为：arima x t,ar(3)
可以看出t值<0.05，拒绝参数不显著的原假设，即显著
接下来我们对残差进行白噪声检测
命令为：predict x_res,r wntestq x_res
可以看出p值>0.05,即为白噪声序列，也就是说该拟合模型显著有效
模型优化：
我们分别对AR（1），AR（2），AR（3）进行AIC和SBC准则检验
AR（3）模型：
AR(2)模型：
AR（1）模型：
可以看出AR（3）的aic和sic值都最小，是最好的拟合模型。
（四）预测未来五个阶段的电力增产率：
我们先追加五个值：tsappend,add(5)
再执行预测命令并存储：predict x_hat
最后用list列出预测五个阶段的值
结果分析
应用时间序列分析对我国电力增长（2000-2004）的问题,建立AR模型，说明了我国电力增长的变化情况,运用此模型进行了预测。此模型预测效果较好,说明此方法对电力增长率的预测有一定的参考价值，但并不完全精确，此模型仍需改进。确立AR(3)模型为我国电力增长率预测模型。
由预测可知我国在这之后的5年内电力增长率还会保持稳定。
Comments NOTHING