621万vs697万！2026年结婚人数预测你信哪个？

2026年5月9日民政部公布一季度结婚登记169.7万对同比减少11.3万对。那么2026年全年结婚人数会如何变化呢今天我们用三种经典的时间序列模型——ARIMA、指数平滑、季节性SARIMA分别对2026年全年的结婚登记对数进行预测。一、结婚人数变化与预测方法1、近十年结婚人数变化趋势2016—2025年历年结婚登记总量数据变化趋势如下图SPSSAU簇状图分析从2016到2025年全国结婚登记人数整体呈现持续大幅下降的趋势仅在个别年份出现小幅反弹具体变化特征如下2016—2022年呈持续下降趋势2022年降至683.5万对较2016年减少约40%。2023年出现反弹768.2万对主要受疫情后补偿性结婚潮影响。2024年大幅回落至610.6万对创下近年新低。2025年回升至676.3万对同比增长10.8%但绝对量仍低于2023年及以前。2、常见预测方法常见的结婚人数预测方法主要有以下几种按第一季度占比推算根据历史年份Q1占全年的平均比重通常约24%27%结合当年Q1实际值简单估算全年总量。因素回归模型纳入人口结构、经济指标、婚育政策等外部变量进行多元回归预测。时间序列模型利用历史数据的内在规律自相关、趋势、季节性建立统计模型如指数平滑、ARIMA、季节SARIMA等。本文将使用第三类时间序列模型进行预测。针对结婚人数的预测指数平滑法、ARIMA、季节Sarima相对比较合适。大家可以留言讨论下自己的看法顺便学习下时间序列数据预测方法。二、指数平滑法预测指数平滑模型通过赋予近期数据更高权重同时估计水平、趋势和季节分量能灵活响应最新变化。1、指数平滑法知识指数平滑法一般分为一次、二次和三次三种。一次平滑主要适用于数据较为平稳的情况二次平滑在此基础上考虑趋势变化适用于存在上升或下降趋势的数据三次平滑则进一步考虑更复杂的变化结构常用于同时存在趋势和周期波动的数据。实际应用中通常需要根据数据特征来选择合适的模型而不是简单套用某一种方法。指数平滑法包括初始值S0和平滑系数alpha两个参数用于确定预测模型的初始状态和对过去观察值的权重。说明如下表参数说明初始值S0样本10则取前3期平均值10≤样本20取前2期平均值样本20取前1期第1期平均值如果不设置SPSSAU自动按上述标准进行平滑系数alpha数据波动大则alpha取0.1~0.5之间数据波动小则alpha取0.6~0.8之间如果不设置alphaSPSSAU默认会遍历各种alpha取值时数据效果选择最优效果时对应的alpha值SPSSAU可智能地找出最佳平滑方法及初始值S0和平滑系数alpha。2、数据整理与软件操作1数据整理本文以2016-2025这10年数据为基础使用ARIMA模型对2026年结婚登记人数进行预测将数据整理成下表年份结婚人数万对2016年1142.82017年1063.12018年1013.92019年927.32020年814.32021年764.32022年683.52023年768.22024年610.62025年676.32软件操作在SPSSAU【综合评价】模块选择【指数平滑法】将变量拖拽至右侧分析框中如果只预测2026年结婚人数则将向后预测期数填1一般来讲向后预测期数越多准确性也会随之下降。操作如下图点击开始分析按钮即可得到指数平滑法预测结果。3、指数平滑法预测结果1参数设置情况SPSSAU自动找出最优平滑法及参数选择二次平滑法适合线性趋势数据α0.500初始值为1102.950。2向后1期预测值利用指数平滑法向后预测1期得到2026年结婚登记人数为621.547万对。相较于2025年676.3万对预测会减少54万对。3结婚人数万对模型拟合和预测图接下来使用ARIMA模型进行预测。二、ARIMA预测1、ARIMA模型知识ARIMA是最常见的时间序列预测分析方法。它通过差分来使序列变得平稳从而剔除趋势和季节性。ARIMA模型可拆分为3项分别是AR模型I即差分和MA模型。表示为ARIMA(p, d, q)有三个核心参数自回归阶数p差分阶数d值和移动平均阶数q说明如下参数说明p自回归阶数表示当前观察值与前p个观察值之间的相关性。d差分阶数表示为使时间序列变得平稳所需的差分次数。如果平稳则d0。q移动平均阶数表示当前观察值与前q个观察值的残差之间的相关性。SPSSAU可智能地找出最佳模型对应的自回归阶数p差分阶数d值和移动平均阶数q。2、软件操作将上文整理的数据上传至SPSSAU平台在【计量经济研究】模块选择【ARIMA预测】将变量拖拽至右侧分析框中向后预测期数填写1。自回归阶数p、差分阶数d、移动平均阶数q的设置需要结合专业知识进行判断但是SPSSAU默认智能地找出最佳的ARIMA模型并且进行预测无需手动设置参数即可分析。SPSSAU操作如下图3、ARIMA预测结果1ARIMA模型参数表针对结婚人数万对结合AIC信息准则该值越低越好SPSSAU自动对多个潜在备选模型进行建模和对比选择最终找出最优模型为AR(1)其模型公式为y(t)88.7780.900*y(t-1)。2模型Q统计量表格上表格展示模型Q统计量信息包括统计量值和p值。ARIMA模型要求模型残差为白噪声即残差不存在自相关性可通过Q统计量检验进行白噪声检验原假设残差是白噪声通常其对应p值大于0.1则说明满足白噪声检验反之则说明不是白噪声常见情况下可直接针对Q6进行分析即可。从Q统计量结果看Q6的p值大于0.1则在0.1的显著性水平下不能拒绝原假设模型的残差是白噪声模型基本满足要求。3向后1期 预测值预测值表格是分析者最关注的表格从上表可以看出使用2016年-2025年结婚人数利用ARIMA模型向后预测1期得到2026年结婚人数为697.388万对。相较于2025年676.3万预测会增加21万对。4结婚人数万对模型拟合和预测图接下来使用Sarima模型进行预测。三、季节Sarima预测季节性Sarima模型则在ARIMA框架中增加季节性差分和季节性自回归/移动平均项专门拟合季度数据的周期性规律。结婚人数的季度变化规律为第一季度通常是全年高峰受春节等习俗推动第二季度次之第三、四季度明显回落呈现出稳定的“年内季节性波动”。这种每年重复的固定周期S4使得季节性Sarima模型非常适合用于拟合和预测。1、数据整理与软件操作1数据整理将2016-2025年结婚人数按周期本案例为季度整理成如下格式部分数据如下时间结婚人数万对2016-Q12972016-Q22962016-Q32742016-Q42752017-Q12762017-Q22752017-Q32552017-Q42572018-Q12632018-Q22632018-Q32432018-Q4244数据来源于网络2软件操作在SPSSAU【计量经济研究】模块选择【季节Sarima】将变量拖拽至右侧对应分析框中填写向后预测期数与周期操作如下图对于Sarima模型的构建时可使用SPSSAU自动化法即设置好周期S值后另外p/d/q/P/D/Q共6个参数值由系统自动寻优找到也可使用半自动法和手工建模法。关于Sarima模型原理可点击查看下方帮助手册季节Sarima模型分析2、季节Sarima预测结果1SARIMA模型参数结果上表格展示季节Sarima模型的7个参数值如果不选择“手工建模”此时SPSSAU系统会结合信息准则越小越好的原理自动识别并构建出最优模型。2SARIMA模型参数表上表格展示本次模型构建结果包括回归系数值p值等。信息准则AIC和BIC值用于多次分析模型对比此两值越低越好如果多次进行分析可对比此两个值的变化情况综合说明模型构建的优化过程。3向后4期预测值从上表可以看出使用2016年-2025年每个季度结婚人数利用SARIMA模型向后预测4期得到2026年各季度结婚人数四季度结婚人数加和得到2026年结婚人数预测为672.309万对。相较于2025年676.3万预测会增加4万对。4结婚人数万对模型拟合和预测图综上所述三类模型预测2026年结婚人数如下根据三个模型的拟合误差指标对比指数平滑法RMSE 81.091MAE 70.196MAPE 0.087ARIMA模型RMSE 115.305MAE 94.656MAPE 0.115季节SARIMA模型RMSE 16.266MAE 10.531MAPE 0.056可以看出季节SARIMA模型在三项误差指标上均为最小值说明其对历史数据的拟合精度更高能够更好地刻画结婚人数时间序列中的波动特征与潜在结构变化。因此尽管三种模型对2026年的预测结果存在一定差异但从历史拟合误差角度来看季节SARIMA模型的预测结果——672.3万对具有更高的参考价值。