残差检验结果表示，在显著性检验a=0.05的水平下，检验统计量P均大于0.05.这表明残差序列可以视为白噪声序列。该ARIMA（1,1,0）模型对该序列建模成功。 4.5模型的预测
于是我们运用SAS程序利用上述ARIMA模型预测了城镇居民人均未来4年的可支配收入（如表5）所示。并将其中2011—2013的预测数据与检验集这三年的实际数据相比较，（如表6）所示。
表52011—2013年城镇居民人均可支配收入预测值
表6 经过转换后2011—2013年的预测值：
表7预测结果与实际结果比较表：
年份 2011 2012 2013 真实值 21809.78 24564.72 26955.0955 预测值 20964.96 23118.93 25825.84 通过表7我们发现真实值与预测值十分接近，这表明我们所建模型有较好的效果，可以用来预测。
于是我们得到了2014年城镇居民人均的可支配收入为29284.77元。 五、结论
预测城镇居民的人均可支配收入，不仅能够清楚掌握我国经济发展情况而且还有助于了解居民的生活水平和质量，据此为政府部门提供制定相关惠民政策的参考
[1]。本文通过对
1978—2013年我国城镇居民人均可支配收入的数据进行分析，采用ARIMA（1,1,0）模型对城镇居民可支配收入进行了预测。通过对检验数据的拟合，ARIMA（1,1,0）模型能够提供较好预测，并最终预测2014年城镇居民人均的可支配收入为29284.77元。此外，我们发现城镇居民的人均可支配收入呈现稳健的递增趋势，这表明国内经济发展良好，居民生活质量高，国家出台的相关促进经济增长的政策得到了一定成果。
参考文献
[1]蒋琴莉.我国城镇居民家庭人均可支配收入的分析及预测—基于ARIMA模型［J］.中国经贸，2014,(3):102-104.
[2]游中胜,张珣．基于GM（1,1）模型的城镇居民人均可支配收入预测—以重庆市城镇居民家庭为例[J]．重庆师范大学学报，2013（30）：60-63
[3]王振寰,杨堰琨,张峰．ARIMA模型在城镇居民家庭收入的应用[J]．内蒙古农业大学学报，2014（35）：166-169 [4]王燕．应用时间序列[M]．北京：中国人民大学出版社，2014,141-147
附录
data a; input x@@;
date=intnx('year','1jan1978'd,_n_-1); format date year; cards; 343.4 477.6 739.1 1510.2 1700.6 2026.6 2577.4 3496.2 4283.0 4838.9 5160.3 5425.1 5854.0 6280.0 6859.6 7702.8 8472.2 9421.6
10493.0 11759.5 13785.8 15780.8 17174.7 19109.4 ;
procgplotdata=a;
symbol1v=star c=red i=join; plot x*date=1; run; data b; set a; lx=log(x); dif1=dif(lx); run;
procgplotdata=b;
symbol2v=star c=red i=join; plot lx*date=2 dif; run;
procgplotdata=b;
symbol3v=star c=red i=join; plot dif1*date=3; run;
procarimadata=b; identifyvar=lx nlag=6; run;
identifyvar=lx(1) nlag=6; run;
estimatep=5noint; run;
forecastlead=4id=date out=c; data c; set c; y=exp(lx); l95=exp(l95); u95=exp(u95);
forecast=exp(forecast+std*std/2); run;
procprintdata=c; var date forecast; where date>='1jan1978'd; run;