以季節性差分整合移動平均自迴歸模型與類神經網絡預測臺灣失業率

Using SARIMA and Neural Network model to Forecast Taiwan Unemployment Rate

陳景智(Ching-Chih Chen)

指導教授 ： 唐震宏

國立清華大學/科技管理學院/經濟學系/碩士(2021年)

摘要

本研究想了解的是預測單變數失業率資料的模型比較，分別是以季節性差分整合移動平均自迴歸模型(SARIMA)、長短期記憶網絡(LSTM)與時序卷積網絡(TCN)在失業率不同期數後，預測上的變化。以樣本外預測的均方根誤差比較預測能力的好壞，雙時序卷積網絡優於SARIMA模型與長短期記憶網絡，而雙時序卷積網絡與SARIMA模型是以迭代方式預測，長短期記憶網絡則是直接預測。失業率的資料先以虛擬變數的方式，去除結構改變的影響。

關鍵字

季節性差分整合移動平均自迴歸 ； 長短期記憶網絡 ； 時序卷積網絡 ； 失業率 ； 預測 ； 結構改變

並列摘要

In order to know about the model predictive ability of unemployment in Taiwan, we try seasonal autoregressive integrated moving average (SARIMA) model, Long Short Term Memory (LSTM) model and also Temporal Convolutional Networks (TCN) model to compare the predictive ability among different forecast horizons. Using out-of-sample root mean square error (RMSE) to check the predictive ability, and then we find double TCN is better than SARIMA model and LSTM model. Double TCN model and SARIMA model use indirect forecasting but LSTM model uses direct forecasting. Besides, we remove the structural impact on unemployment rate data via adding dummy variables.

並列關鍵字

SARIMA ； LSTM ； TCN ； unemployment rate ； forecasting ； structural break ； structural change

參考文獻

93(442), 478–493. https://doi.org/10.2307/2670094

Alla, S., & Adari, S. K. (2019). Beginning Anomaly Detection Using

Python-Based Deep Learning. Springer.

Bai, J., & Perron, P. (2003). Computation and analysis of multiple structural

change models. Journal of Applied Econometrics, 18(1), 1–22.