【正文】 [b,bint,r,rint,stats]=regress(M,N) 。,E39。,C39。 N=[ones(length(Y),1),A39。 B=[,基于統(tǒng)計分析理論的豬肉產(chǎn)量及價格指數(shù)預(yù)測畢業(yè)論文 42 31,185.6673,]。 E=[,80.3937,119.8061,]。 A=[,,]。 [b,bint,r,rint,stats]=regress(M,N) Matlab程序 clear all。,E39。,C39。 N=[ones(length(Y),1),A39。 B=[,059,22,]。 E=[,359,4,]。 基于統(tǒng)計分析理論的豬肉產(chǎn)量及價格指數(shù)預(yù)測畢業(yè)論文 41 A=[,,910,]。 [b,bint,r,rint,stats]=regress(M,N) Matlab程序 clear all。,E39。,C39。 N=[ones(length(Y),1),A39。 C=[,77,256.6566,]。 A=[,32,592.581,]。 D=[,319,6,]。 模型 Matlab程序 clear all。 forecast lead=2 id=time out=results。 identify var=x_1(1,1,1) nlag=20 minic p=(0:7) q=(0:7) 。 identify var=x_1(1,1,1) nlag=20。 identify var=x_1 nlag=23。 proc arima。 plot x_3*time difx_3*time。 。 format time date.。01jul198539。year39。 difx_3=dif(dif(dif(x_3)))。 SAS程序 data cluster3。 forecast lead=2 id=time。 identify var=x_2(1,1,1) nlag=20 minic p=(0:7) q=(0:7)。 identify var=x_2(1,1,1) nlag=20。 identify var=x_2 nlag=23 。 proc arima。 plot x_2*time difx_2*time。 。 format time date.。01jul198539。year39。 difx_2=dif(dif(dif(x_2)))。 SAS程序 data cluster2。 forecast lead=2 id=time out=results。 基于統(tǒng)計分析理論的豬肉產(chǎn)量及價格指數(shù)預(yù)測畢業(yè)論文 38 identify var=x_1(1,1,1) nlag=20 minic p=(0:7) q=(0:7) 。 identify var=x_1(1,1,1) nlag=20。 identify var=x_1 nlag=23。 proc arima。 plot x_1*time difx_1*time。 。 format time date.。01jul198539。year39。 difx_1=dif(dif(dif(x_1)))。 SAS程序 data cluster1。 基于統(tǒng)計分析理論的豬肉產(chǎn)量及價格指數(shù)預(yù)測畢業(yè)論文 37 forecast lead=2 id=time out=results。 identify var=x_qc(1,1,1) nlag=20 minic p=(0:7) q=(0:7) 。 identify var=x_qc(1,1,1) nlag=20。 identify var=x_qc nlag=23。 proc arima。 plot x_qc*time difx_qc*time 。 。 format time date.。01jan198539。year39。 difx_qc=dif(dif(dif(x_qc)))。 基于統(tǒng)計分析理論的豬肉產(chǎn)量及價格指數(shù)預(yù)測畢業(yè)論文 36 SAS 程序 data quanguochanliang。 proc print data=B10。 proc tree data=A10 out=B10 ncl=2 horizontal graphics。 var x。 北京 天津 河北 山西 內(nèi)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 。 input province $ x?？梢詾檎?2020 對豬肉進(jìn)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。首先 ，根據(jù) 1985 年到 2020年全國各省豬肉總產(chǎn)量數(shù)據(jù)，對其加權(quán)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(jìn)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(jìn)行時間序列分析，分析豬肉總產(chǎn)量走勢，建立總產(chǎn)量與時間的模型，預(yù)測 2020 年全國豬肉總產(chǎn)量以及各類豬肉總產(chǎn)量，具有較好的預(yù)測效果。 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(qiáng)，考慮以因素較多，比較全面，然而，模型依然有可改進(jìn)之處，例如提高模型的穩(wěn)健性等。 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(yīng)客觀實際。 ③ 數(shù)據(jù)處理的時候采用加權(quán)平均，一定程度上能夠反映出各省市自治區(qū)的情況。 七、模型分析 及優(yōu)缺點 優(yōu)點 :① 建立的模型可靠，預(yù)測出的產(chǎn)量與實際產(chǎn)量吻合程度高，能夠較好地預(yù)測產(chǎn)量走勢。 參數(shù)估計 利用 Matlab 軟件，對上述回歸模型進(jìn)行參數(shù)估計，得到如下結(jié)果： 表 31 第三 類地區(qū)模型參數(shù)估計 0a 1a 2a 3a 4a 5a 表 32 模型顯著性檢驗結(jié)果 相關(guān)系數(shù) 檢驗統(tǒng)計量 F F對應(yīng)的 P值 0. 9275 從表 32 可以看到，檢驗統(tǒng)計量的 P 值顯著小 于 ，因此認(rèn)為該回歸方程顯著，從而得到第三 類地區(qū)模型為： 1 8 9 . 5 7 3 2 0 . 0 1 3 3 1 . 0 0 7 6 0 . 0 3 4 1 0 . 9 5 7 8 2 . 5 5 7 9Y A B C D E ?? ? ? ? ? ? ? 模型預(yù)測 基于統(tǒng)計分析理論的豬肉產(chǎn)量及價格指數(shù)預(yù)測畢業(yè)論文 33 利用上述模型，進(jìn)行預(yù)測，先做 2 期期預(yù)測得到： 20 2020 年的價格指數(shù)分別為 、 ，與真實值 、 的差異較小，可近似認(rèn)為該模型反映了客觀實際，因此可以預(yù)測 2020 年價格指數(shù)的為 。 由圖 ⑤ 可看出，水產(chǎn)品產(chǎn)量同價格指數(shù)的關(guān)系可近似看做 線性 函數(shù)，即可用 線性 函數(shù)來擬合。 由圖 ③ 可看出，工資指數(shù)同價格指數(shù)的關(guān)系可近似看做 線性 函數(shù)，即可用 線性 函數(shù)來擬合。 (三 ) 第三類地區(qū)模型建立及預(yù)測 模型準(zhǔn)備 利用 Matlab 軟件依次作出各因素同價格指數(shù)的散點圖，如下： 圖 ① 圖 ② 圖 ③ 圖 ④ 基于統(tǒng)計分析理論的豬肉產(chǎn)量及價格指數(shù)預(yù)測畢業(yè)論文 32 圖 ⑤ 由圖 ① 可看出，豬肉產(chǎn)量同價格指數(shù)的關(guān)系可近似看做 線性 函數(shù)，即可用 線性 函數(shù)來擬合。 模型建立 由上述分析可知，各個因素同豬肉價格指數(shù)的關(guān)系均可近似用指數(shù)函數(shù)來擬合，綜合考慮各方面因素，可 建立如下的 半對數(shù) 回歸模型： 0 1 2 3 4 5l n l n l n l n l nY a a A a B a C a D a E ?? ? ? ? ? ? ? 其中， ~ (0,1)N? ， Y為豬肉價格指數(shù)， A、 B、 C、 D、 E分別表示工資指數(shù)、家禽價格指數(shù)、水產(chǎn)品產(chǎn)量、豬肉產(chǎn)量、牛羊肉產(chǎn)量。 由圖 ④ 可看出，家禽價格指數(shù)同價格指數(shù)的關(guān)系可近似看做指數(shù)函數(shù)，即可用指數(shù)函數(shù)來擬合。 由圖 ② 可看出，牛 羊肉產(chǎn)量同價格指數(shù)的關(guān)系可近似看做指數(shù)函數(shù)，即可用指數(shù)函數(shù)來擬合。 參數(shù)估計 利用 Matlab 軟件，對上述回歸模型進(jìn)行參數(shù)估計，得到如下結(jié)果： 表 27 第一類地區(qū)模型參數(shù)估計 0a 1a 2a 3a 4a 5a 表 28 模型顯著性檢驗結(jié)果 相關(guān)系數(shù) 檢驗統(tǒng)計量 F F對應(yīng)的 P值 從表 28可以看到，檢驗統(tǒng)計量的 P值顯著小于 ，因此認(rèn)為該回歸方程顯著，從而 得到 第一類地區(qū)模型為： l n 2 5 . 0 4 1 9 0 . 0 9 0 2 l n 0 . 4 3 7 1 l n 0 . 2 5 8 5 l n 1 . 2 5 7 0 l n 1 . 8 8 7 8 l nY A B C D E ?? ? ? ? ? ? ? 模型預(yù)測 利用上述模型， 進(jìn)行 預(yù)測 ， 先做 2 期 期預(yù)測 得到 ： 20 2020 年的價格指數(shù)分別為 、 ，與真實值 、 的差異較小，可近似認(rèn)為該模型反映了客觀實際，因此可以預(yù)測 2020 年價格指數(shù)的為 。 由圖 ⑤ 可看出，水產(chǎn)品產(chǎn)量同價格指數(shù)的關(guān)系可近似看做指數(shù)函數(shù)，即可用指數(shù)函數(shù)來擬合。 由圖 ③ 可看出，工資指數(shù)同價格指數(shù)的關(guān)系可近似看做指數(shù)函數(shù)，即可用指數(shù)函數(shù)來擬合。 (一 ) 第一類地區(qū)模型建立及預(yù)測 模型準(zhǔn)備 利用 Matlab 軟件依次作出各因素同價格指數(shù)的散點圖，如下： 基于統(tǒng)計分析理論的豬肉產(chǎn)量及價格指數(shù)預(yù)測畢業(yè)論文 28 圖 ① 圖 ② 圖 ③ 圖 ④ 圖 ⑤ 由圖 ① 可看出，豬肉產(chǎn)量同價格指數(shù)的關(guān)系可近似看做指數(shù)函數(shù)，即可用指數(shù)函數(shù)來擬合。綜合上述考慮，本文擬采取 豬肉產(chǎn)量、牛羊肉產(chǎn)量、水產(chǎn)品價格指數(shù)、家禽價格指數(shù)以及工資指數(shù)作為影響豬肉價格指數(shù)的幾個因素 來建模 。 因此， 在聚類分析的基礎(chǔ)上， 綜合考慮影響豬肉價格指數(shù)的因素，包括替代品價格指數(shù)、豬肉產(chǎn)量、工資指數(shù)等，找出其之間的相互依賴關(guān)系， 分析搜集到的數(shù)據(jù) 的特征 ， 針對各類 地區(qū) 建立模型，并將豬肉產(chǎn)量的預(yù)測值代入該相應(yīng)模型，對價格指數(shù)作以預(yù)測。 綜合 全國產(chǎn)量模型和各類地區(qū)產(chǎn)量模型來看，可以發(fā)現(xiàn)，全國預(yù)測產(chǎn)量增加，各類也相應(yīng)的增加，說明模型的一致性較好，同時也可看出給全國模型作為對比組的重要性。 參數(shù)估計 MA(q)模型參數(shù)估計方法在第二類模型已做過介紹，此處不再贅述。為了盡量避免因個人經(jīng)驗不足導(dǎo)致的模型識別問題，利用 SAS 軟件對 3 階差分后序列進(jìn)行相對最優(yōu)定階，以獲得一定范圍內(nèi)的最優(yōu)模型定階。 模型定階 定階原則參見表 6及其說明。 綜上所述， 3階差分后序列為平穩(wěn)非純隨機(jī)序列，因此，可考慮對 3 階差分后序列建立 ARMA（ p,q）模型，即對原序列建立 ARIMA（ p,d,q）模型（此處 d=3）。 模型建立 利用 SAS軟件，作出 3階差分后序列的時