《蔬菜价格的分解与分析3000字》

蔬菜价格的分解与分析综述目录TOC\o"1-2"\h\u24753蔬菜价格的分解与分析综述 185901.1蔬菜价格的波动分解 1304861.1.2蔬菜价格的长期趋势 1311861.1.3蔬菜价格的周期性波动 1175581.1.4蔬菜价格的随机性波动 152661.2蔬菜价格的自相关性分析 1225851.2.1平稳性检验 1258851.2.2模型识别及确立 178951.2.3模型检验 1蔬菜价格一直处于波动中，本章运用时间序列相关方法研究蔬菜价格的波动，将蔬菜价格分解为将蔬菜价格分解为季节性波动、长期趋势、周期性波动和随机性波动4部分，研究各波动成分。在此基础上建立AR模型，研究蔬菜价格变动的自相关性，进一步分析蔬菜价格的波动。1.1蔬菜价格的波动分解图4-1北京市蔬菜价格每月的季节指数图4-1北京市蔬菜价格每月的季节指数通过SPSS21.0，基于乘法模型，对蔬菜价格进行时间序列分解，得到“SAF”、“SAS”、“STC”、“ERR”序列。“SAF”为季节性调整因子序列，即为季节性指数。由图4-1可知，蔬菜整体呈现出冬春季季节指数偏高，夏季季节指数较低的特点。不同蔬菜的季节因素影响程度不同。菠菜2月、8月的季节指数较高，季节指数分别为1.17、1.52，4月、11月季节指数较低，季节指数分别为0.64、0.83，根据季节性指数偏离均值1的程度，可知季节性因素8月对菠菜价格的影响程度大于2月的影响程度，季节性因素4月对菠菜价格的影响程度大于11月的影响程度。黄瓜、西红柿具有相似的季节变动趋势，均表现为冬春季节季节指数较高、夏季指数较低，这与蔬菜整体的季节指数变化特点相同。黄瓜在2月达到季节指数最大值1.48，在6月达到季节指数最小值0.66。西红柿的最高季节指数出现在2月，为1.38；最低季节指数出现在7月，为0.64。胡萝卜的季节指数相对较平稳，在5月份达到最大值，为1.26。1.1.2蔬菜价格的长期趋势图4-2剔除季节变动因素前后的蔬菜整体价格趋势呈现出某种持续向上或持续下降的状态或规律。“SAS”为季节性调整序列，表示剔除季节性因素后的序列，根据剔除季节性因素的序列确定趋势成分。图4-2剔除季节变动因素前后的蔬菜整体价格剔除季节变动因素前，蔬菜整体价格具有明显的季节波动，且波动幅度较大，而剔除季节变动因素后的蔬菜整体价格变动幅度明显变小，价格波动更为平缓。剔除季节变动因素后蔬菜整体价格有上涨趋势，图中的直线为蔬菜整体价格的拟合线，根据分离季节性因素的序列确定趋势线方程为：公式（4-1）趋势线方程回归系数为正，且系数较小，表明蔬菜整体价格长期具有缓慢上涨的趋势。图4-3至图4-6依次为菠菜、黄瓜、胡萝卜、西红柿的长期趋势图，从图上可以发现除胡萝卜外，剔除季节变动因素后，蔬菜价格的波动幅度明显减少，由于胡萝卜的耐储藏性，胡萝卜价格的季节性波动并不明显，即使剔除季节变动因素，胡萝卜的价格波动幅度变化不大。图4-3剔除季节变动因素前后的菠菜价格图4-4剔除季节变动因素前后的黄瓜价格图4-6剔除季节变动因素前后的西红柿价格图4-5剔除季节变动因素前后的胡萝卜价格通过计算得出，菠菜、黄瓜、胡萝卜、西红柿的趋势方程如下：图4-3剔除季节变动因素前后的菠菜价格图4-4剔除季节变动因素前后的黄瓜价格图4-6剔除季节变动因素前后的西红柿价格图4-5剔除季节变动因素前后的胡萝卜价格公式（4-2）公式（4-3）公式（4-4）公式（4-5）黄瓜、西红柿的趋势线方程回归系数为正，从长期来看黄瓜和西红柿均具有价格上涨的趋势，但菠菜、胡萝卜的趋势线方程回归系数为负，他们二者的价格长期有下降趋势。1.1.3蔬菜价格的周期性波动周期性也称循环波动，是时间序列中呈现出来的围绕长期趋势的一种波浪形或振荡式变动。农产品价格的周期性波动是指在长期内反复出现的包含一个完整价格高峰期和一个完整价格低谷期的价格走势形态。本研究通过H-P滤波法分离循环变动成分，将2015-2020年经季节指数调整后的北京市蔬菜整体的月度价格进行整理，运用EViews10.0对此蔬菜价格序列进行分解，结果如图4-7所示。图4图4-7蔬菜价格的周期性波动“Price”曲线表示经季节调整后的北京市蔬菜整体价格，“Trend”曲线表示分解出来蔬菜整体价格变动的长期趋势，“Cycle”曲线表示分解得到的蔬菜整体价格的周期成分。从图上可以发现蔬菜价格存在一定的周期性波动，2005年至2020年可大致分为2个完整周期。2015年1月至2017年6月为第一个完整的周期，2017年6月至2019年12月为第二个完整的周期，两个周期的波动轨迹大致相同，但仍存在区别，第二个周期的价格波动幅度要略高于第一个周期。2020年后由于新冠疫情的爆发，蔬菜价格短期内出现剧烈波动，与前两个周期的波动轨迹有所不同。同时由图可知，分解得到的Trend曲线比原价格曲线平滑得多，蔬菜整体价格存在显著的长期趋势，呈现出长期缓慢上涨的特点。1.1.4蔬菜价格的随机性波动图4-8蔬菜价格的随机波动图4-8蔬菜价格的随机波动随机性波动因子表现出无序性的特点。随机性波动因子越接近于1，说明对应时期的随机波动幅度越小，对比新冠疫情前后，疫情发生后的随机性波动因子并未出现大幅波动，与疫情前的随机波动因子无过多区别。1.2蔬菜价格的自相关性分析1.2.1平稳性检验只有平稳的时间序列才能够直接建立ARMA模型，非平稳的数列要经过适当的处理，序列满足平衡性要求再建立模型。根据蔬菜整体2015年至2020年的月度价格构成时间序列{Pt}，蔬菜价格数据来源于商务部新农村商网以及菜篮子市场信息公众号。通过前文的研究发现蔬菜价格存在明显的季节性和一定上涨的趋势，这些因素的存在使得序列本身不满足平稳性的假定，分离序列{Pt}的季节性因素，处理后的序列记为{Xt}，用Eviews10.0对{Xt}序列进行ADF检验，判断时间序列的平稳性，平稳性检验结果见表4-1。表4-1序列{Xt}平稳性检验表t统计量p值ADF检验值-3.5113340.04581%显著水平临界值-1.0925475%显著水平临界值-3.47436310%显著水平临界值-3.164499由表4-1可知，序列{Xt}的t统计值为-3.511334，小于显著水平为5%的临界值，说明在95％的置信水平下可以拒绝原假设，即不存在单位根，认为序列{Xt}是平稳序列。1.2.2模型识别及确立模型识别包括模型形式以及滞后阶数的确定。首先根据自相关函数图和偏自相关图确定模型的形式，若自相关函数是拖尾的，偏自相关函数是截尾的，则建立AR模型；若自相关函数是截尾的，偏自相关函数是拖尾的，则建立MA模型；若自相关函数、偏自相关函数均为拖尾，则建立ARMA模型。下一步通过自相关函数图和偏相关函数图拖尾截尾的性质初步判断滞后阶数，再利用AIC、SC、HQ准则进一步确定滞后阶数。AIC、BIC、HQ准则可以有效弥补根据自相关图和偏自相关图定阶的主观性，在有限的阶数范围内寻找相对最优的拟合模型。用Eviews10.0对序列{Xt}进行自相关和偏相关分析，结果见图4-9。根据输出结果判定，自相关函数图拖尾，偏自相关函数图截尾，所以选择AR(p)模型。图4-9序列相关图接下来基于AIC、SC、HQ法则，确定滞后阶数。偏相关系数大致是2阶截尾，初步确定模型为AR(2)，通过EViews10.0分别得出AR(1)、AR(2)、AR(3)三个模型的信息准则，如下表4-2所示。一般来说信息准则越小，模型越好，从表上可以发现AR(1)模型的信息准则最小，因此确定AR(p)模型滞后阶数为1图4-9序列相关图表4-2模型信息准则表模型形式AICSCHQAR(1)0.5614100.6251470.586756AR(2)0.5921190.6884830.630396AR(3)0.5878290.7173420.639211进一步对模型参数进行估计，得到模型如下：公式（4-6）参数估计结果如表4-3。从表中可以看出，模型的t统计量非常显著，R2为0.49，整个模型的拟合效果一般，D.W.值为1.92，在2附近，认为模型不存在一阶自相关。t-1期蔬菜价格变量回归系数为正，且该变量在1%的水平下通过显著性检验，说明蔬菜价格存在显著的自相关性，当期蔬菜价格受上一期价格的影响较大，蔬菜价格月度间延续的特点明显。表4-3参数估计结果变量系数t统计量p值c1.0493.5310.0007Xt-10.6958.0780.00001.2.3模型检验参数估计后，需要对模型进行残差序列相关检验和异方差检验。首先通过EViews10.0对模型进行LM检验，检验残差序列是否存在一阶自相关，结果见表4-3。LM检验统计量Obs*R-squared的P值为0.7848，在5%的显著性水平下，不拒绝原