影响猪肉价格的因素分析复习课程.doc

影响猪肉价格的因素分析

影响猪肉价格的因素分析
1研究问题的背景
在当前通货膨胀日益严重的情况下，各种物价飞涨，给人们的日常生活带来了极大地影响，生活中一些必需的物质也在涨，蔬菜肉的价格节节攀升，因此我觉得有必要研究一下究竟是什么因素在影响着这些必需品的价格，从而控制这些因素的上涨，使必需品的价格维持在一个比较稳定的水平上。
2研究的主要内容
这里我选取了对人们生活影响较大的猪肉的价格，从城镇居民收入，猪的供给量，饲料价格，替代品鸡蛋的价格，猪肉供给量五个方面来研究，看看它们相不相关，是正相关还是负相关，有多大的影响程度，从而调节这些变量使猪肉的价格比较稳定，对人们的生活产生较小的影响。
关键词：猪肉价格
3选取数据
年份
猪肉价格
城镇居民收入
饲料价格
鸡蛋价格
猪肉供给量
1996
10.5
4838.9
1.5
7.8
3158
1997
12.2
5160.3
1.56
6.2
3596.3
1998
10.1
5425.1
1.49
5.5
3883.7
1999
7.5
5854
1.2
5.2
4005.6
2000
10.102
6280
1.4725
5.09
3966
2001
10.65
6859.6
1.394
5.3
4051.7
2002
10.23
7702.8
1.522
5.39
4123.1
2003
10.74
8472.2
1.6
5.25
4238.6
2004
13.76
9421.6
1.69
6.39
4341
2005
13.19
10493
1.8525
6.57
4555.3
2006
12.13
11759.5
1.868
6.22
4650.5
2007
18.81
13785.5
2.13
7.76
4287.8
2008
23.49
15780.8
2.62
7.84
4620.5
4建立模型
将以上数据导入eviews,就可以建立以下equation
其中y代表猪肉价格，x1表示城镇居民收入，x2代表饲料价格，x3代表鸡蛋价格，x4表示猪肉的供给量.

Dependent Variable: Y

Method: Least Squares

Date: 12/18/10 Time: 14:25

Sample: 1996 2008

Included observations: 13

Variable
Coefficient
Std. Error
t-Statistic
Prob.  

C
9.157435
13.67733
0.669534
0.5220
X1
0.000498
0.000541
0.919612
0.3847
X2
10.25823
3.192247
3.213482
0.0124
X3
-0.480361
0.861324
-0.557701
0.5923
X4
-0.003689
0.002947
-1.251590
0.2461

R-squared
0.946997
    Mean dependent var
12.56938
Adjusted R-squared
0.920496
    S.D. dependent var
4.232883
S.E. of regression
1.193522
    Akaike info criterion
3.475417
Sum squared resid
11.39596
    Schwarz criterion
3.692706
Log likelihood
-17.59021
    F-statistic
35.73401
Durbin-Watson stat
2.510756
    Prob(F-statistic)
0.000038

表中除x2外，概率均大于0.05,说明其对y的影响不显著，必须对其进行修正，使其对y的影响显著。经修正的结果如下：

Dependent Variable: Y

Method: Least Squares

Date: 12/18/10 Time: 13:42

Sample (adjusted): 1997 2008

Included observations: 12 after adjustments

Variable
Coefficient
Std. Error
t-Statistic
Prob.  

C
26.35190
5.296921
4.974946
0.0016
D(X1)
0.003944
0.001651
2.388183
0.0483
LOG(X2)
14.44949
3.661958
3.945836
0.0056
D(X3)
1.445699
0.584070
2.475213
0.0425
X4(-1)
-0.006037
0.001353
-4.463471
0.0029

R-squared
0.973597
    Mean dependent var
12.74183
Adjusted R-squared
0.958510
    S.D. dependent var
4.373145
S.E. of regression
0.890771
    Akaike info criterion
2.900878
Sum squared resid
5.554310
    Schwarz criterion
3.102922
Log likelihood
-12.40527
    F-statistic
64.53091
Durbin-Watson stat
1.689968
    Prob(F-statistic)
0.000013

从表中可以看出，t检验的概率均小于0.05,此时的变量对y的影响是显著的，此模型才是可以用的。还可以看出F检验的值也较大，所以拒绝原假设，总体的显著性成立。
可以得到下列模型：
Estimation Command:
=====================
LS Y C D(X1) LOG(X2) D(X3) X4(-1)

Estimation Equation:
=====================
Y = C(1) + C(2)*D(X1) + C(3)*LOG(X2) + C(4)*D(X3) + C(5)*X4(-1)

Substituted Coefficients:
=====================
Y = 26.35189582 + 0.003943975368*D(X1) + 14.44948848*LOG(X2) + 1.44569861*D(X3) - 0.006037331562*X4(-1)
5异方差检验（怀特检验）
原假设HO:残差项不存在异方差
备择假设H1：残差项存在异方差

White Heteroskedasticity Test:

F-statistic
0.975116
    Probability
0.568784
Obs*R-squared
8.666952
    Probability
0.371165

Test Equation:

Dependent Variable: RESID^2

Method: Least Squares

Date: 12/18/10 Time: 14:44

Sample: 1997 2008

Included observations: 12

Variable
Coefficient
Std. Error
t-Statistic
Prob.  

C
9.592994
77.99697
0.122992
0.9099
D(X1)
0.002316
0.002147
1.078821
0.3597
(D(X1))^2
2.08E-07
8.06E-07
0.258446
0.8128
LOG(X2)
1.659733
5.685647
0.291916
0.7894
(LOG(X2))^2
-4.599365
6.490699
-0.708609
0.5297
D(X3)
0.244016
1.178023
0.207140
0.8492
(D(X3))^2
-0.637393
0.997492
-0.638995
0.5683
X4(-1)
-0.002380
0.037570
-0.063353
0.9535
X4(-1)^2
-5.31E-08
4.56E-06
-0.011644
0.9914

R-squared
0.722246
    Mean dependent var
0.462859
Adjusted R-squared
-0.018431
    S.D. dependent var
0.471484
S.E. of regression
0.475809
    Akaike info criterion
1.466105
Sum squared resid
0.679182
    Schwarz criterion
1.829785
Log likelihood
0.203370
    F-statistic
0.975116
Durbin-Watson stat
2.734176
    Prob(F-statistic)
0.568784

从表中可以看出怀特检验的概率均大于0.05,所以接受原假设，说明残差项不存在异方差。
6自相关检验（LM检验）

Breusch-Godfrey Serial Correlation LM Test:

F-statistic
0.263214
    Probability
0.778599
Obs*R-squared
1.143077
    Probability
0.564656

Test Equation:

Dependent Variable: RESID

Method: Least Squares

Date: 12/18/10 Time: 14:47

Presample missing value lagged residuals set to zero.

Variable
Coefficient
Std. Error
t-Statistic
Prob.  

C
-0.468137
6.037956
-0.077532
0.9412
D(X1)
0.000289
0.001901
0.152218
0.8850
LOG(X2)
-0.725187
4.286532
-0.169178
0.8723
D(X3)
-0.223479
0.730846
-0.305781
0.7721
X4(-1)
0.000139
0.001539
0.090647
0.9313
RESID(-1)
0.116150
0.542063
0.214274
0.8388
RESID(-2)
-0.416195
0.575909
-0.722675
0.5023

R-squared
0.095256
    Mean dependent var
-2.09E-15
Adjusted R-squared
-0.990436
    S.D. dependent var
0.710589
S.E. of regression
1.002519
    Akaike info criterion
3.134108
Sum squared resid
5.025226
    Schwarz criterion
3.416970
Log likelihood
-11.80465
    F-statistic
0.087738
Durbin-Watson stat
1.851760
    Prob(F-statistic)
0.994924

从表中可以看出，检验之后的概率均大于0.05,接受原假设，说明残差之间不存在二阶自相关，通过了LM检验。
7正态分布检验
从表中可以看出JB统计量的概率为0.725370,说明残差有百分之72.5370的概率是正态分布，大于0.05,通过了正态分布检验。
8白噪声检验

Date: 12/18/10 Time: 15:00

Sample: 1997 2008

Included observations: 12

Autocorrelation
Partial Correlation

AC 
 PAC
 Q-Stat
 Prob

    . |* . |
    . |* . |
1
0.145
0.145
0.3205
0.571
    . **| . |
    . **| . |
2
-0.213
-0.239
1.0806
0.583
    . **| . |
    . *| . |
3
-0.243
-0.184
2.1823
0.535
    . | . |
    . | . |
4
-0.040
-0.027
2.2161
0.696
    . |* . |
    . | . |
5
0.120
0.044
2.5621
0.767
    . | . |
    . *| . |
6
0.000
-0.089
2.5621
0.861
    . | . |
    . | . |
7
0.000
0.034
2.5621
0.922
    . | . |
    . | . |
8
0.000
0.012
2.5621
0.959
    . | . |
    . | . |
9
0.000
-0.010
2.5621
0.979
    . | . |
    . | . |
10
0.000
0.000
2.5621
0.990

从图中可以看出，其自相关系数和偏自相关系数均落在二倍的标注差以内，说明其波动性较小，且在几阶之后趋近于0，说明从长期来看，其是不相干的，属于白噪声。
9伪回归检验

Null Hypothesis: E1 has a unit root

Exogenous: None

Lag Length: 0 (Automatic based on SIC, MAXLAG=2)

t-Statistic
  Prob.*

Augmented Dickey-Fuller test statistic
-2.756569
 0.0107
Test critical values:
1% level

-2.792154

5% level

-1.977738

10% level

-1.602074

*MacKinnon (1996) one-sided p-values.

Warning: Probabilities and critical values calculated for 20
        observations and may not be accurate for a sample size of 11

Augmented Dickey-Fuller Test Equation

Dependent Variable: D(E1)

Method: Least Squares

Date: 12/18/10 Time: 15:11

Sample (adjusted): 1998 2008

Included observations: 11 after adjustments

Variable
Coefficient
Std. Error
t-Statistic
Prob.  

E1(-1)
-0.971494
0.352429
-2.756569
0.0202

R-squared
0.417541
    Mean dependent var
0.144408
Adjusted R-squared
0.417541
    S.D. dependent var
0.956933
S.E. of regression
0.730322
    Akaike info criterion
2.295845
Sum squared resid
5.333700
    Schwarz criterion
2.332017
Log likelihood
-11.62715
    Durbin-Watson stat
1.779706

从表中可以看出，其概率为0.0107小于0.05,所以不存在伪回归，通过了检验。
9模型平稳性和预测性检验

从图中可以看出，模型的稳定性一直很好，始终在红线的范围内。

从图中可以看出，模型的预测能力较强，稳定性也较强，符合我们所需要的模型。

从图中可以看出，该模型的一步预测能力较好，因为蓝线一直在红线内，处在预测能力之内。

从图中可以看出，其N步预测能力较好，蓝线一直处在红线之内。

图中的红线代表预测能力，蓝线处在两条红线之内则代表稳定性较强，在预测期内结构未发生改变，说明该模型的预测能力和稳定性较好。
10参数约束检验
（1）约束条件：c(1)=0

Wald Test:

Equation: EQUATION2

Test Statistic
Value  
df    
Probability

F-statistic
24.75008
(1, 7)  
0.0016
Chi-square
24.75008
1  
0.0000

Null Hypothesis Summary:

Normalized Restriction (= 0)
Value  
Std. Err.

C(1)
26.35190
5.296921

Restrictions are linear in coefficients.
从表中可以看出，其概率小于0.05，所以拒绝原假设，说明参数c(1)=0不成立。
（2）约束条件：c(2)=0

Wald Test:

Equation: EQUATION2

Test Statistic
Value  
df    
Probability

F-statistic
5.703420
(1, 7)  
0.0483
Chi-square
5.703420
1  
0.0169

Null Hypothesis Summary:

Normalized Restriction (= 0)
Value  
Std. Err.

C(2)
0.003944
0.001651

Restrictions are linear in coefficients.

从表中可以看出，其概率小于0.05，所以拒绝原假设，说明参数c(2)=0不成立。
（3）约束条件：c(3)=0

Wald Test:

Equation: EQUATION2

Test Statistic
Value  
df    
Probability
0.

F-statistic
15.56962
(1, 7)  
0.0056
Chi-square
15.56962
1  
0.0001

Null Hypothesis Summary:

Normalized Restriction (= 0)
Value  
Std. Err.

C(3)
14.44949
3.661958

Restrictions are linear in coefficients.

从表中可以看出，其概率小于0.05，所以拒绝原假设，说明参数c(3)=0不成立。
（4）约束条件：c(4)=0

Wald Test:

Equation: EQUATION2

Test Statistic
Value  
df    
Probability

F-statistic
6.126678
(1, 7)  
0.0425
Chi-square
6.126678
1  
0.0133

Null Hypothesis Summary:

Normalized Restriction (= 0)
Value  
Std. Err.

C(4)
1.445699
0.584070

Restrictions are linear in coefficients.

从表中可以看出，其概率小于0.05,所以拒绝原假设，说明参数c(4)=0不成立。
（5）约束条件：c(5)=0

Wald Test:

Equation: EQUATION2

Test Statistic
Value  
df    
Probability

F-statistic
19.92258
(1, 7)  
0.0029
Chi-square
19.92258
1  
0.0000

Null Hypothesis Summary:

Normalized Restriction (= 0)
Value  
Std. Err.

C(5)
-0.006037
0.001353

Restrictions are linear in coefficients.

从表中可以看出，其概率小于0.05,所以拒绝原假设，说明参数c(5)=0不成立。
11残差图检验

从图中可以看出，回归方程拟合的较好，残差的波动性不大，模型较稳定，预测能力比较强。
12预测图检验

从图中可以看出，蓝线一直处在两条红线之内，说明其预测的水平较好，一直处在预测能力之内。
13经济意义的检验
Estimation Command:
=====================
LS Y C D(X1) LOG(X2) D(X3) X4(-1)

Estimation Equation:
=====================
Y = C(1) + C(2)*D(X1) + C(3)*LOG(X2) + C(4)*D(X3) + C(5)*X4(-1)

Substituted Coefficients:
=====================
Y = 26.35189582 + 0.003943975368*D(X1) + 14.44948848*LOG(X2) + 1.44569861*D(X3) - 0.006037331562*X4(-1)
y-猪肉的价格；x1-城镇居民收入；x2-饲料价格；x3-鸡蛋价格；x4-猪肉的供给量
从上式中可以看出，在其他条件不变的情况下，x1变动一个单位会引起y平均变动0.003943975368个单位；
X2变动百分之一，会引起y平均变动14.44948848个单位；
X3变动一个单位，会引起y平均变动1.44569861个单位；
X4变动一个单位，会引起y的上一期变动0.006037331562个单位。
综上所述，城镇居民收入，饲料价格，鸡蛋价格都与猪肉价格呈正方向变化，而猪肉的供给量与猪肉价格呈反方向变化。
当居民收入增加时，会增加对猪肉的购买力，购买的次数也较多量自然增多，需求增加会引起猪肉的价格上升。
当饲料价格上升时，养猪的成本就会上升，猪肉的成本就会变大，成本变大会引起猪肉价格的上涨。
当猪肉的替代品鸡蛋的价格上升时，对鸡蛋的需求就会减少，而对猪肉的需求就会增多，需求增加会引起猪肉的价格上升。
当猪肉的供给量增加时，会使猪肉这种商品的供大于求所以会引起猪肉价格的下降。
从以上分析中可以看出，这些自变量引起因变量的变化符合实际情况，所以符合经济意义。
14建议
在上面的分析中，虽然四个变量都会引起猪肉价格的变化，但是引起变化最显著的是饲料的价格和猪肉的供给量，它们两个直接影响需求和供给，所以对价格产生较直接的影响。替代品鸡蛋和居民收入也会对肉价产生影响，但这种影响不是很明显，因为随着人们生活水平的提高，猪肉可以说是变成了人们生活所必需的物质，它的弹性较小，不易受收入和替代品鸡蛋的影响。
所以在如今通货膨胀的条件下，为保证人民的生活质量，提高生活水平，必须严格控制跟人们生活直接相关的必需品的价格，猪肉即是一例，要从降低饲料的成本和增加供给两方面下手，一方面，研发新技术加大饲料的生产量和提高质量，另一方面，增加要出栏的猪的数量，严防中间商借机炒作，维持人们日常生活的稳定。
DK张