基于统计分析理论的猪肉产量及价格指数预测毕业论文(编辑修改稿)

基于统计分析理论的猪肉产量及价格指数预测毕业论文(编辑修改稿)内容摘要：

对第一类地区猪肉产量加权平均贡献大的省份其产量估值在其上游浮动，相反地，对第一类地区猪肉产量加权平均贡献大的省份其产量估值在其下游浮动。 （三） 第二类地区模型建立及预测 数据预处理 为了判断该序列是否有分析价值，必须对该序列进行纯随机性检验，即白噪声检验。 利用 SAS软件 对 19852020 年第一类地区猪肉产量作纯随机性检验，得到下表： 表 15 19852020 年第二类地区猪肉产量序列纯随机检验结果 延迟阶数 LBQ 统计量 P 值 6 12 18 假设检验水平 α =，由上表可见，而延迟各阶的 LBQ 的 P 值 ()显著小于 α =，则它非纯随机序列（非白噪声序列），我们可以认 为该波动有统计规律可循，可做进一步研究。 利用 SAS软件绘制 19852020 年第二类地区时序图及自相关图如下： 图 13 19852020 年第二类地区猪肉产量时序图 基于统计分析理论的猪肉产量及价格指数预测毕业论文 17 图 14 19852020 年第二类地区猪肉产量自相关图 由图 13 可见，该序列具有明显的趋势性，从 1985 年到 2020 年呈现出明显递增的趋势，从图 14 看到，序列自相关系数递减到零的速度相当缓慢，在很长的延迟时间里，自相关系数一直为正，而后又一直为负，在自 相关图上显示出明显的三角对称性，因而初步判断其为具有单调趋势的非平稳序列，对其进一步作单位根检验（阶自相关 ADF 检验）得到下述结果： 表 16 19852020 年第二类地区猪肉产量序列单位根检验结果 类型 延迟阶 数 Tau 统计量 P值 无均值、无趋势 0 1 有均值、无趋势 0 1 有均值、有趋势 0 1 由表 16 可见， Tau 统计量的 P值显著大于 ，因而可以断定该序列非平稳。 综上认为，该序列为非平稳非白噪声序列，因此，可先对其进行差分过程，而后再加以研究。 模型建立 经过观察和计算发现，对 19852020 年全国猪肉产量 序列作 3阶差分，得到的新的序列为平稳序列序列。 模型建立 利用 SAS软件，作出 3阶差分后序列的时序图以及自相关图如下： 基于统计分析理论的猪肉产量及价格指数预测毕业论文 18 图 15 19852020 第二类地区猪肉产量 3阶差分序列时序图 图 16 19852020 第二类地区猪肉产 量 3 阶差分序列自相关图 由图 15 可见， 3 阶差分后序列显示出一定的平稳性，递增的趋势已被消除；由图 16 可见， 3 阶差分后序列的自相关系数一直都比较小，始终控制在2 倍标准差范围内，可认为 3阶差分序列的自相关自始至终都在零附近波动，因而初步断定 3 阶差分后序列为平稳序列，对其进一步作单位根检验（ 1 阶自相关 ADF 检验）得到： 表 17 19852020 年第二类地区猪肉产量 3阶差分序列单位根检验结果 类型 延迟阶 数 Tau 统计量 P值 无均值、无趋势 0 1 有均值、无趋势 0 1 有均值、有趋势 0 1 当显著性水平 α 取为 ，由表 17可见， Tau统计量的 P值显著小于 ，可以认为 3阶差分后序列显著平稳。 利用 SAS软件对 3阶差分后序列作纯随机性检验可得： 基于统计分析理论的猪肉产量及价格指数预测毕业论文 19 表 18 19852020 年第二类地区猪肉产量 3阶差分序列纯随机性检验结果 延迟阶数 LBQ 统计量 P 值 6 12 18 由上表可见，在显著性水平取为 ， 12阶和 18阶的 LBQ 统计量的P值均小于 ，说明原序列 3阶差分序列不可视为白噪声序列，即 3阶差分后序列还蕴含着不容忽视的相关信息可供提取，从而有分析的价值。 综上所述， 3阶差分后序列为平稳非纯随机序列，因此，可考虑对 3 阶差分后序列建立 ARMA（ p,q）模型，即对原序列建立 ARIMA（ p,d,q）模型（此处 d=3）。 设对 3阶差分 后序列建立模型为： ( ) ( )ttB X B    则原始序列的模型为： 3( ) ( )ttB X B     其中， 33(1 )B   表示对原始序列的 3阶差分； 212( ) 1 ... ppB a B a B a B     为 p 阶自回归系数多项式； 212( ) 1 ... qqB c B a B c B     为 q阶移动平均系数多项式。 模型定阶 定阶原则同表 6及其说明。 利用 SAS 软件作出 3阶差分后序列的自相关图及偏自相关图如下： 图 17 19852020 第二类地区猪肉产量 3阶差分序列自相关图 基于统计分析理论的猪肉产量及价格指数预测毕业论文 20 图 18 19852020 第二类地区猪肉产量 3 阶差分序列偏自相关图 从图 17可看到，自相关系数拖尾，从图 18 可看到，偏自相关系数亦拖尾，因而初步考虑该模型为 ARMA(p,q)模型，人为根据上述两幅图难以确定其阶数。 为了尽量避免因个人经验不足导致的模型识别问题，利用 SAS 软件对 3阶差分后序列进行相对最优定阶，以获得一定范围内的最优模型定阶。 利用 SAS 软件计算 ARMA(p,q)模型的 BIC 信息量，得到如下结果： 表 19 第二类地区产量模型 BIC 信息量 延迟阶数 MA 0 MA 1 MA 2 MA 3 MA 4 MA 5 MA 6 MA 7 AR 0 0 0 0 AR 1 0 0 0 AR 2 0 0 0 AR 3 0 0 0 0 AR 4 0 0 0 0 0 0 0 0 AR 5 0 0 0 0 0 0 0 0 AR 6 0 0 0 0 0 0 0 0 AR 7 0 0 0 0 0 0 0 0 由表 19可见，在 ARMA(0,5)处 BIC 信息量最小，因此，该模型选为 ARMA(0,5)模型，即 MA(5)模型。 参数估计 MA(q)模型参数估计可采用下述方法： 由于 MA(q)序列的子协方差函数 q阶后截尾，定义 ,00kkkqkq    ， , 1,2,...,()ljk l j k   基于统计分析理论的猪肉产量及价格指数预测毕业论文 21 按照文献【 5】给出的方法，定义 0 1 0 .. .. .. 0 00 0 1 .. .. .. 0 0.. . .. .0 0 0 .. .. .. 0 10 0 0 .. .. .. 0 0A ， 10...0D 122 3 111.............. . .. . .. .......kkkq q q k         ， 12...qE 则有 MA(q)模型的参数估计值为： 21 2 021( , , . . . , ) ( ) ,TTqc c c E A D D D      其中， 1lim Tk k kk      利用 SAS 软件进行计算得到： 表 20 第二类地区模型参数估计 参数 1c 2c 3c 4c 5c 估值 由此可得最终模型为： 2 3 4 5( 1 1 . 5 1 4 3 3 0 . 4 3 8 1 9 0 . 4 0 1 1 0 0 . 3 3 0 8 5 0 . 0 0 5 8 9 4 4 )ttX B B B B B       产量预测 利用上述模型做两期预测分别得到 2020 年以及 2020 年的猪肉产量为： 万吨，与 2020 年实际查得的产量 万吨相差甚微，故认为该模型真实反映了全国的猪肉产量趋势，因而， 2020 年的预测产量可信度高，可认为 2020 年全国猪肉产量约为 万吨，对第二 类地区猪 肉产量加权平均贡献大的省份其产量估值在其上游浮动，相反地，对第二 类地区猪肉产量加权平均贡献大的省份其产量估值在其下游浮动。 （四） 第三类地区模型建立及预测 数据预处理 为了判断该序列是否有分析价值，必须对该序列进行纯随机性检验，即白噪声检验。 利用 SAS 软件对 19852020 年第三类地区猪肉产量作纯随机性检验，得到： 基于统计分析理论的猪肉产量及价格指数预测毕业论文 22 表 21 19852020 年第三 类地区猪肉产量序列纯随机检验结果 延迟阶数 LBQ 统计量 P 值 6 12 18 由表 21 可见，各阶延迟的 LBQ 统计量的 P 值都非常小（ ），从而有很大的把握（置信水平 %）断定该序列属于非白噪声序列，因而，该序列有进一步研究的价值。 利用 SAS软件对 19852020年第三类地区的数据绘制其时序图及样本自相关图，如下图 所示： 图 19 19852020 年第三类地区 产量 时序图 图 20 19852020 年第三类地区 产量 自相关图 由图 19可见，该序列具有明显的趋势性，从 1985 年到 2020 年呈现出明显递增的趋势，从图 20 看到，序列自相关系数递减到零的速度相当缓慢，在很长的延迟时间里，自相关系数一直为正，而后又一直为负，在自相关图上显示出明基于统计分析理论的猪肉产量及价格指数预测毕业论文 23 显的三角对称性，因而初步判断其为具有单调趋势的非平稳序列，对其进一步作单位根检验（ 1 阶自相关 ADF 检验）得到： 表 22 19852020 年 第三类地区猪肉产量序列单位根检验结果 类型 延迟阶 数 Tau 统计量 P值 无均值、无趋势 0 1 有均值、无趋势 0 1 有均值、有趋势 0 1 由表 22可见， Tau统计量的 P值显著大于 ，因而可以断定该序列非平稳。 综上认为，该序列为非平稳非白噪声序列，因此，可先对其进行差分过程，而后再加以研究。 模型建立 经过观察和计算发现，对 19852020 年全国猪肉产量 序列作 3阶差分，得到的新的序列为平稳序列序列。 模型建立 利用 SAS软件，作出 3阶差分后序列的时序图以及自相关图如下： 图 21 19852020 年第三类地区产量 3阶差分后序列的时序图 基于统计分析理论的猪肉产量及价格指数预测毕业论文 24 图 22 19852020 年第三类地区产量 3 阶差分后序列的 自相关 图 由图 21可见， 3阶差分后序列显示出一定的平稳性，递增的趋势已被消除；由图 22 可见， 3 阶差分后序列的自相关系数一直都比较小，始终控制在 2 倍标准差范围内，可认为 3阶差分序列 的自相关自始至终都在零附近波动，因而初步断定 3阶差分后序列为平稳序列，对其进一步作单位根检验（ 1 阶自相关 ADF 检验）得到： 表 23 19852020 年第三类地区猪肉产量 3阶差分序列单位根检验结果 类型 延迟阶数 Tau 统计量 P 值 无均值、无趋势 0 1 有均值、无趋势 0 1 有均值、有趋势 0 1 可以看到， Tau 统计量的 P值小于 ，从而有很大的把握断定 3 阶差分后序列属于非白噪声序列，因而，可以对其进行进一步的研究。 利用 SAS软件对 3阶差分后序列作纯随机性检验可得： 表 24 19852020 年第三类地区猪肉产量 3阶差分序列纯随机性检验结果 延迟阶数 LBQ 统计量 P 值 6 12 18 由上表可见，在显著性水平取为 ， 12阶和 18阶的 LBQ 统计量的 P值均小于 ，说明原序列 3阶差分序列不可视为白噪声序列，即 3阶差分后序列基于统计分析理论的猪肉产量及价格指数预测毕业论文 25 还蕴含着不容忽视的相关信息可供提取，从而有分析的价值。