【正文】 西藏 陜西 甘肅 青海 寧夏 新疆 。input province $ x?？梢詾檎?010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。首先，根據(jù)1985年到2009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2010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。 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。 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。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。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。 參數(shù)估計利用Matlab軟件，對上述回歸模型進行參數(shù)估計，得到如下結果： 表31 第三類地區(qū)模型參數(shù)估計表32 模型顯著性檢驗結果相關系數(shù)檢驗統(tǒng)計量FF對應的P值0. 9275從表32可以看到，因此認為該回歸方程顯著，從而得到第三類地區(qū)模型為： 模型預測利用上述模型，進行預測，先做2期期預測得到：200，、可近似認為該模型反映了客觀實際。由圖⑤可看出，水產品產量同價格指數(shù)的關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)模型建立及預測 模型準備利用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 圖⑤由圖①可看出，豬肉產量同價格指數(shù)的關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： 其中，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)、水產品產量、豬肉產量、牛羊肉產量。由圖④可看出，家禽價格指數(shù)同價格指數(shù)的關系可近似看做指數(shù)函數(shù)，即可用指數(shù)函數(shù)來擬合。 由圖②可看出，牛羊肉產量同價格指數(shù)的關系可近似看做指數(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，對上述回歸模型進行參數(shù)估計，得到如下結果： 表27 第一類地區(qū)模型參數(shù)估計表28 模型顯著性檢驗結果相關系數(shù)檢驗統(tǒng)計量FF對應的P值從表28可以看到，因此認為該回歸方程顯著，從而得到第一類地區(qū)模型為： 模型預測利用上述模型，進行預測，先做2期期預測得到：200，、可近似認為該模型反映了客觀實際。由圖⑤可看出，水產品產量同價格指數(shù)的關系可近似看做指數(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)模型建立及預測 模型準備利用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 圖⑤由圖①可看出，豬肉產量同價格指數(shù)的關系可近似看做指數(shù)函數(shù)，即可用指數(shù)函數(shù)來擬合。綜合上述考慮，本文擬采取豬肉產量、牛羊肉產量、水產品價格指數(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)、豬肉產量、工資指數(shù)等，找出其之間的相互依賴關系，分析搜集到的數(shù)據(jù)的特征，針對各類地區(qū)建立模型，并將豬肉產量的預測值代入該相應模型，對價格指數(shù)作以預測。綜合全國產量模型和各類地區(qū)產量模型來看，可以發(fā)現(xiàn)，全國預測產量增加，各類也相應的增加，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驗不足導致的模型識別問題，利用SAS軟件對3階差分后序列進行相對最優(yōu)定階，以獲得一定范圍內的最優(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階差分后序列的時序圖以及自相關圖如下： 圖21 19852009年第三類地區(qū)產量3階差分后序列的時序圖 圖22 19852009年第三類地區(qū)產量3階差分后序列的自相關圖由圖21可見，3階差分后序列顯示出一定的平穩(wěn)性，遞增的趨勢已被消除；由圖22可見，3階差分后序列的自相關系數(shù)一直都比較小，始終控制在2倍標準差范圍內，可認為3階差分序列的自相關自始至終都在零附近波動，因而初步斷定3階差分后序列為平穩(wěn)序列，對其進一步作單位根檢驗（1階自相關ADF檢驗）得到： 表23 19852009年第三類地區(qū)豬肉產量3階差分序列單位根檢驗結果類型延遲階數(shù)Tau統(tǒng)計量P值無均值、無趨勢01有均值、無趨勢01有均值、有趨勢01可以看到， ，從而有很大的把握斷定3階差分后序列屬于非白噪聲序列，因而，可以對其進行進一步的研究。綜上認為，該序列為非平穩(wěn)非白噪聲序列，因此，可先對其進行差分過程，而后再加以研究。利用SAS軟件對19852009年第三類地區(qū)豬肉產量作純隨機性檢驗，得到：表21 19852009年第三類地區(qū)豬肉產量序列純隨機檢驗結果延遲階數(shù)統(tǒng)計量P值61218由表21可見，各階延遲的統(tǒng)計量的P值都非常小（），從而有很大的把握（置信水平%）斷定該序列屬于非白噪聲序列，因而，該序列有進一步研究的價值。 參數(shù)估計MA(q)模型參數(shù)估計可采用下述方法：由于MA(q)序列的子協(xié)方差函數(shù)q階后截尾，定義 按照文獻【5】給出的方法，定義 ， ， 則有MA(q)模型的參數(shù)估計值為：其中， 利用SAS軟件進行計算得到：表20 第二類地區(qū)模型參數(shù)估計參數(shù)估值 由此可得最終模型為： 產量預測利用上述模型做兩期預測分別得到2010年以及2011年的豬肉產量為：，故認為該模型真實反映了全國的豬肉產量趨勢，因而，2011年的預測產量可信度高，對第二類地區(qū)豬肉產量加權平均貢獻大的省份其產量估值在其上游浮動，相反地，對第二類地區(qū)豬肉產量加權平均貢獻大的省份其產量估值在其下游浮動。為了盡量避免因個人經驗不足導致的模型識別問題，利用SAS軟件對3階差分后序列進行相對最優(yōu)定階，以獲得一定范圍內的最優(yōu)模型定階。 模型定階 定階原則同表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階差分后序列的時序圖以及自相關圖如下： 圖15 19852009第二類地區(qū)豬肉產量3階差分序列時序圖 圖16 19852009第二類地區(qū)豬肉產量3階差分序列自相關圖由圖15可見，3階差分后序列顯示出一定的平穩(wěn)性，遞增的趨勢已被消除；由圖16可見，3階差分后序列的自相關系數(shù)一直都比較小，始終控制在2倍標準差范圍內，可認為3階差分序列的自相關自始至終都在零附近波動，因而初步斷定3階差分后序列為平穩(wěn)序列，對其進一步作單位根檢驗（1階自相關ADF檢驗）得到：表17 19852009年第二類地區(qū)豬肉產量3階差分序列單位根檢驗結果類型延遲階數(shù)Tau統(tǒng)計量P值無均值、無趨勢01有均值、無趨勢01有均值、有趨勢01，由表17可見，可以認為3階差分后序列顯著平穩(wěn)。綜上認為，該序列為非平穩(wěn)非白噪聲序列，因此，可先對其進行差分過程，而后再加以研究。利用SAS軟件對19852009年第一類地區(qū)豬肉產量作純隨機性檢驗，得到下表：表15 19852009年第二類地區(qū)豬肉產量序列純隨機檢驗結果延遲階數(shù)統(tǒng)計量P值61218假設檢驗水平α=，由上表可見，而延遲各階的的P值()顯著小于α=，則它非純隨機序列（非白噪聲序列），我們可以認為該波動有統(tǒng)計規(guī)律可循，可做進一步研究。利用SAS軟件進行計算得到：表14 第一類地區(qū)模型參數(shù)估計參數(shù)估值 由此可得最終模型為： 產量預測利用上述模型做兩期預測分別得到2010年以及2011年的豬肉產量為：，故認為該模型真實反映了全國的豬肉產量趨勢，因而，2011年的預測產量可信度高，對第一類地區(qū)豬肉產量加權平均貢獻大的省份其產量估值在其上游浮動，相反地，對第一類地區(qū)豬肉產量加權平均貢獻大的省份其產量估值在其下游浮動。利用SAS軟件計算ARMA(p,q)模型的BIC信息量，得到如下結果： 表13 第一類地區(qū)產量模型BIC信息量延遲階數(shù)MA 0MA 1MA 2MA 3MA 4MA 5MA 6MA 7AR 00000AR 10000AR 200000AR 30000000AR 400000000AR 500000000AR 600000000AR 700000000由表13可見，在ARMA(1,3)處BIC信息量最小，因此，該模型選為ARMA(1,3)模型。利用SAS軟件作出