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：

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：

（2）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），α=0.500，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：

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

（1）ARIMA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)=88.778+0.900*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（S=4）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：

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

（1）SARIMA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。

（2）SARIMA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 = 81.091，MAE = 70.196，MAPE = 0.087
• ARIMA模型：RMSE = 115.305，MAE = 94.656，MAPE = 0.115
• 季节SARIMA模型：RMSE = 16.266，MAE = 10.531，MAPE = 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。