【導讀】分析往往對政府部門的決策起到了關鍵的作用。本文旨在關注市場經濟中兩個最。量及價格指數(shù)，為政府部門的決策提供了依據(jù)。系日趨成熟，從而赫然屹立于世界經濟強國之列。眾所周知，工業(yè)為強國之本，的關注在相當長一段時間內有很大的必要性。作為農業(yè)一大支柱的畜牧業(yè)，其重要性自然不言而喻。是為人類提供生活必需品，例如食物、絨毛產品等。通過分析豬肉產量的走勢，能夠預測未來的豬肉產量。于宏觀來說，通過對。豬肉產量的預測，政府部門能夠很好地調控豬肉市場，避免囤貨居奇現(xiàn)象的出現(xiàn)，個正確的指引，防止其受到不法商販的欺騙，損害其合法權益。家的經濟建設更是息息相關。鑒于上述分析，在建立模型的時候需對全國各省進行。幾個不同的大類，再對各類依次建模，同時，可對全國的總體情況建模用以對比。豬肉產量以及價格的巨大變化。的地區(qū)范圍之內。利于國家作決策。因此，該方案既必要又可行。內蒙古、陜西、吉林、黑龍江；

　　

【正文】 模型均能夠較好的預測未來的價格指數(shù)，反映客觀實際，因而認為所建立的模型相對較優(yōu)，可為政府部門的決策提供有力的定量依據(jù)。 七、模型分析 及優(yōu)缺點 優(yōu)點 :① 建立的模型可靠，預測出的產量與實際產量吻合程度高，能夠較好地預測產量走勢。 ② 將全國各省市自治區(qū)分為 3類建模，模型針對性較強。 ③ 數(shù)據(jù)處理的時候采用加權平均，一定程度上能夠反映出各省市自治區(qū)的情況。 缺點 :① 模型的穩(wěn)健性不夠好，一旦出現(xiàn)特殊情況使得產量的起伏波動較大，預測的結果將可能與實際情況產生一定的偏差。 優(yōu)點： ① 考慮影響價格指數(shù)的因素較多，能夠真實的反應客觀實際。 ② 數(shù)據(jù)處理的時候采用加權平均，不僅使得結果更加精確，同時一定程度上能夠反映出各省市自治區(qū)的情況。 綜上所述，模型的有點在于建立的模型較為可靠，能夠反映客觀實際，針對性強，考慮以因素較多，比較全面，然而，模型依然有可改進之處，例如提高模型的穩(wěn)健性等。 八 、結 束 語 本文研究了豬肉總產量、豬肉的價格指數(shù)走勢，進而對其進行預測，以達到為政府部門進行決策提供一定的參考依據(jù)的目的。首先 ，根據(jù) 1985 年到 2020年全國各省豬肉總產量數(shù)據(jù)，對其加權平均處理得到新數(shù)據(jù)后采用多元統(tǒng)計分析中的最大距離聚類法對全國各省市進行聚類分析，得到較為合理的三類；其次，對全國以及三類分別進行時間序列分析，分析豬肉總產量走勢，建立總產量與時間的模型，預測 2020 年全國豬肉總產量以及各類豬肉總產量，具有較好的預測效果。最后，對全國豬肉價格指數(shù)以及各類豬肉價格指數(shù)關于相應的豬肉總產量、替代品牛羊總產量、替代品水產品總產量、家禽產量指數(shù)、居民工資指數(shù)進行多元回歸擬合，進而預測出相應的下一年的豬肉價格指數(shù)?？梢詾檎?2020 對豬肉進行定價決策的時候提供了一定的參考，具有較好的研究意義。 九 、參考文獻 【 1】 王燕 .應用時間序列分析（第二版） .北京：中國人民大學出版社， 2020,12 【 2】 王松鬼，陳敏，陳立萍 .線性統(tǒng)計模型 — 線性回歸與方差分析 .北京：高等教育出版社， 1999,9 【 3】 于秀林 ,任雪松 .多元統(tǒng)計分析 .北京：中國統(tǒng)計出版社， 1999,8 【 4】 何書元 .應用時間序列分析 .北京：北京大學出版社， 2020,9 基于統(tǒng)計分析理論的豬肉產量及價格指數(shù)預測畢業(yè)論文 34 【 5】李雷 .平穩(wěn)過程的狀態(tài)空間模型及隨機實現(xiàn)算法時多元情況的解決 .北京大學碩士論文， 1991 【 6】高惠 璇 .實用 SAS統(tǒng)計方法與 SAS 系統(tǒng) .北京：北京大學出版社， 2020,10 【 7】劉寶柱 ,蘇彥華 ,張宏林 . 從入門到精通（修訂版） .北京：人民郵電出版社， 2020,5 【 8】 國家統(tǒng)計局農村社會經濟調查司 .19852020 年中國農村 統(tǒng)計年鑒 .北京：中國統(tǒng)計出版社 【 9】國家統(tǒng)計局農村社會經濟調查總隊 .19852020 年中國農產品價格調查年鑒 .北京：中國統(tǒng)計出版社 【 10】 【 11】 【 12】 基于統(tǒng)計分析理論的豬肉產量及價格指數(shù)預測畢業(yè)論文 35 附錄 I（相關程序） SAS 程序 data pock。 input province $ x。 cards。 北京 天津 河北 山西 內蒙古 遼寧 吉林 黑龍江 上海 江蘇 浙江 安徽 福建 江西 山東 河南 湖北 湖南 廣東 廣西 海南 重慶 四川 貴州 云南 西藏 陜西 甘肅 青海 寧夏 新疆 。 proc cluster data=pock method= nonorm outtree=A10。 var x。 id province。 proc tree data=A10 out=B10 ncl=2 horizontal graphics。 id province。 proc print data=B10。 run。 基于統(tǒng)計分析理論的豬肉產量及價格指數(shù)預測畢業(yè)論文 36 SAS 程序 data quanguochanliang。 input x_qc。 difx_qc=dif(dif(dif(x_qc)))。 time=intnx(39。year39。,39。01jan198539。d,_n_1)。 format time date.。 cards。 。 proc gplot 。 plot x_qc*time difx_qc*time 。 symbol v=star c=black i=join。 proc arima。 identify var=x_qc stationarity=(adf=1)。 identify var=x_qc nlag=23。 identify var=x_qc(1,1,1) stationarity=(adf=1)。 identify var=x_qc(1,1,1) nlag=20。 proc arima。 identify var=x_qc(1,1,1) nlag=20 minic p=(0:7) q=(0:7) 。 estimate method=ml p=5 。 基于統(tǒng)計分析理論的豬肉產量及價格指數(shù)預測畢業(yè)論文 37 forecast lead=2 id=time out=results。 run。 SAS程序 data cluster1。 input x_1。 difx_1=dif(dif(dif(x_1)))。 time=intnx(39。year39。,39。01jul198539。d,_n_1)。 format time date.。 cards。 。 proc gplot。 plot x_1*time difx_1*time。 symbol c=black v=star i=join。 proc arima。 identify var=x_1 stationarity=(adf=1)。 identify var=x_1 nlag=23。 identify var=x_1(1,1,1) stationarity=(adf=1)。 identify var=x_1(1,1,1) nlag=20。 proc arima。 基于統(tǒng)計分析理論的豬肉產量及價格指數(shù)預測畢業(yè)論文 38 identify var=x_1(1,1,1) nlag=20 minic p=(0:7) q=(0:7) 。 estimate method=ml p=1 q=3。 forecast lead=2 id=time out=results。 run。 SAS程序 data cluster2。 input x_2。 difx_2=dif(dif(dif(x_2)))。 time=intnx(39。year39。,39。01jul198539。d,_n_1)。 format time date.。 cards。 。 proc gplot。 plot x_2*time difx_2*time。 symbol c=black v=star i=join。 proc arima。 identify var=x_2 stationarity=(adf=1)。 identify var=x_2 nlag=23 。 基于統(tǒng)計分析理論的豬肉產量及價格指數(shù)預測畢業(yè)論文 39 identify var=x_2(1,1,1) stationarity=(adf=1)。 identify var=x_2(1,1,1) nlag=20。 proc arima。 identify var=x_2(1,1,1) nlag=20 minic p=(0:7) q=(0:7)。 estimate q=5。 forecast lead=2 id=time。 run。 SAS程序 data cluster3。 input x_3。 difx_3=dif(dif(dif(x_3)))。 time=intnx(39。year39。,39。01jul198539。d,_n_1)。 format time date.。 cards。 。 proc gplot。 plot x_3*time difx_3*time。 symbol c=black v=star i=join。 proc arima。 基于統(tǒng)計分析理論的豬肉產量及價格指數(shù)預測畢業(yè)論文 40 identify var=x_1 stationarity=(adf=1)。 identify var=x_1 nlag=23。 identify var=x_1(1,1,1) stationarity=(adf=1)。 identify var=x_1(1,1,1) nlag=20。 proc arima。 identify var=x_1(1,1,1) nlag=20 minic p=(0:7) q=(0:7) 。 estimate method=ml q=4。 forecast lead=2 id=time out=results。 run。 模型 Matlab程序 clear all。 Y=[,,16,,,2,]。 D=[,,319,,,6,]。 E=[,,261,,,6,]。 A=[,,32,,592.581,]。 B=[,,141.1933,,2,]。 C=[,,77,,256.6566,]。 M=Y39。 N=[ones(length(Y),1),A39。,B39。,C39。,D39。,E39。]。 [b,bint,r,rint,stats]=regress(M,N) Matlab程序 clear all。 Y=[,,220.0877,,2,]。 基于統(tǒng)計分析理論的豬肉產量及價格指數(shù)預測畢業(yè)論文 41 A=[,,,,,910,]。 C=[,,339.0952,,,]。 E=[,,359,,,4,]。 D=[,,157.1984,,,]。 B=[,,059,,22,]。 M=Y39。 N=[ones(length(Y),1),A39。,B39。,C39。,D39。,E39。]。 [b,bint,r,rint,stats]=regress(M,N) Matlab程序 clear all。 Y=[,,003,,22,]。 A=[,,,,,]。 C=[,,347.2429,,,]。 E=[,,80.3937,,119.8061,]。 D=[,,291.1226,,,]。 B=[,,基于統(tǒng)計分析理論的豬肉產量及價格指數(shù)預測畢業(yè)論文 42 31,,185.6673,]。 M=Y39。 N=[ones(length(Y),1),A39。,B39。,C39。,D39。,E39。]。 [b,bint,r,rint,stats]=regress(M,N)