英语原文共 10 页，剩余内容已隐藏，支付完成后下载完整资料
本科毕业设计(论文)
外文翻译
卡尔纳尔地区的哈里亚纳区的
巴斯马蒂香米的价格的分析和预测
作者： Veer Sain; Raj Kumar; K.K.Kundu
国籍：印度，印度，印度
出处：Sain, V., Kumar, R. and Kundu, K.K. (2020). Price analysis and forecasting of basmati rice crop in Karnal district of Haryana. Economic Affairs, 65(1): 107-115.
摘要：
我们特地选择了巴斯马蒂香米的最大产量地——哈里亚纳卡纳尔区的阿桑德和卡纳尔地区研究，并选取卡尔纳地区的卡尔纳尔市场、加伦达市场、阿桑德市场和塔罗里市场进行市场研究。根据调查结果，我们预计2017年卡尔纳尔市场巴斯马蒂香米的平均价格约为1567卢比每公担，大致的波动范围为1567~1329卢比每公担。加仑达市场的平均价格约为1652卢比每公担，大致的波动范围为1259~1652卢比每公担。阿桑德市场的平均价格约为1667卢比，大致的波动范围为1515~1667卢比每公担。塔罗里市场的平均价格为1701卢比，大致的波动范围为1701~1680卢比每公担。
本文旨在分析2005-2016年巴斯马蒂香米平均价格的趋势变化，利用往年的数据，构建ARIMA模型，对之后 巴斯马蒂香米平均价格的变化进行预测。
关键词：预测平均价格，巴斯马蒂香米，ARIMA，ACF，PACF，卡尔纳尔
市场信息对于社会的发展和经济的繁荣是至关重要的。迄今为止，经济的发展过程中已经见证了农业的绿色革命、白色革命、蓝色革命、工业和信息技术革命。良好的通信系统和信息系统为于可持续的生产力多增加了一层保障。印度政府非常重视农业、粮食和信息技术部门的发展，期待实现经济革命，从而实现生产的高增长(Dhankar，2003年)。市场的信息系统由人员、设备和程序相互交互形成，用于安排信息、分析信息、评估信息和分发正确的信息，为市场决策的制定者提供帮助，从而改进制定者在市场设计、实施和管理方面的决策(Kotler和Keller，2012)。Singh 等人(2011)观察到市场信息和情报对于帮助农民做出适当的营销决策是至关重要，他们采用采用时间序列法分析了2000年1月至2010年10月巴士马蒂的月度实际价格数据。用ARIMA模型来预测在巴斯马蒂香米收获后的几个月，其价格的变动。通过实试过，Singh发现巴斯马蒂香米价格并不会因为收获时间的长度发生显著变化。基于这一发现，和贸易商人的观点以及政府的相关政策，他们建议农民不要选择储存农产品而是立刻出售。在得知建议的农民中，有一半的人选择接受建议，另一半人期待价格上涨从而选择储存农产品，与后者相比，选择接受建议的农民从中获得了显著的收益。对于市场情报在养殖业中的作用，尤其是对于高价值的作物，国家的农村科研体系需要加强对于农产品的智能销售，并加强卫生方面的管理。研究的具体目标是：
1．估计国内市场的价格预测和长期价格关系。
资料和方法
本研究以哈里亚纳巴士马蒂香米的平均价格为基础，采用时间序列法对2005—2016年的数据进行分析。计算数据的自相关函数(ACF)和部分自相关函数(PACF)。拟合了合适的Box-Jenkins自回归综合移动平均(ARIMA)模型。用标准统计技术检验模型的有效性。选取ARIMA(0，1，0)和ARIMA(1，1，2)模型来预测了卡尔纳尔主要年份巴士马蒂香米的平均价格。以上的方式也被称为Box-Jenkins方法。Box-Jenkins方法是将混合自回归综合移动平均(ARIMA)模型拟合到给定的数据集，拟合这个ARIMA模型的主要目的是识别时间序列的随机过程，并准确预测未来值。这个方法在大多数涉及到离散时间序列和动态系统建模的过程中非常有用。但是，不会在初期和具有较大随机成分的季节性序列的应用中取得较好结果(Granger和Newbold，1970)。由于George Box和Gwilym Jenkins在1968年期间充分研究ARIMA模型，他们的名字经常被视作一般ARIMA过程的同义词，与一般ARIMA过程一起应用于时间序列的分析、预测和控制之中。时间序列随机模型将会给出时间序列未来值的最佳预测。
随机过程不是平稳的就是非平稳的。但是，要注意的是，大多数时间序列都是非平稳的，ARIMA模型只涉及平稳的时间序列。由于ARIMA模型只涉及平稳时间序列，Box-Jenkins模型的第一步是通过一阶差分将非平稳序列化为平稳序列。
建立Box-Jenkins预测模型的主要步骤如下：
步骤一：识别
首先求出p、d和q的适当值，利用自相关函数(ACF)和部分自相关函数(PACF)来获取
ARIMA过程的算子形式：
其中，C是与过程平均值相关的常数项。这就是所谓的混合自回归序移动平均模型(p,q)。它包含AR和MA两个术语。
使用的ARIMA模型的一般功能形式是：
(i) q阶移动平均模：MA(q)
其中，
(ii)p阶自回归模型：AR(p)
(iii)自回归移动平均模型：ARMA(p，q)
(iv)自回归综合移动平均模型ARIMA(p，d，q)
(v)季节性ARIMA模型ARIMA(p，d，q)(P,D,Q)S
其中，
=因变量
=延迟算子
=误差(，其中为的估计值)
=时间下标
=非季节性AR
=季节性AR算子
=非季节性差异
=季节性差异
=非季节性MA
=季节性MA算子
=季节顺序(季度数据中为4，月度数据中为12等)
上述模型包含p q P Q需要估计的参数。模型参数是非线性的。
步骤二：估算
为了估计ARIMA模型的参数，进行如下的算法过程：
（1）将p、d、q、P、D和Q的取值范围设为0到2。
（2）使用设置的参数执行SPSS ARIMA。
记录参数和相应的拟合误差，直到尝试所有可能的组合。选择产生最小拟合误差的参数。SPSS将会尝试参数限定范围内（0~2）所有的参数组合。获取拟合误差最小的组合。其中，设置参数的范围是为了将搜索限制在合理的范围之内，根据文献，实践中很少会使用大于2的参数。
步骤三：诊断检查
选择一个特定的ARIMA模型并对其参数进行了估计来验证了模型的适用性。使用一个简单的测试判断模型估计的残差是否是白噪声，如果不是白噪声，我们必须使用其他ARIMA模型。其中，残差用Box-Ljung统计量。
步骤四：预测
ARIMA模型流行的原因之一是它在预测方面取得的成功。在许多情况下，用ARIMA模型得到的预测结果比用传统计量经济学模型得到的预测更可靠，特别是对于短期预测的结果。自回归综合移动平均过程模型是一种描述时间序列变量如何与其自身过去值相关的方法，主要采用ARIMA模型对单个时间序列(Rahulamin和Razzaque 2000)进行最优加权平均预测。其事前和事后预测的准确性均采用接下提到的检验(Markidakis和Hibbon，1979年)，如平均绝对百分比误差(MAPE)。
结果和讨论
在这项研究中，我们使用了2005年至2016年期间的数据平均价格。无论对于哪一个变量的研究，如上文所说，ARIMA模型的开发包括以下四个步骤：识别、估计、验证和预测。现将巴士马蒂香米平均价格用着四个步骤进行解释：
模型识别
对于巴士马蒂香米平均价格的预测，必须将预测变量转变为平稳变量后，再用ARIMA模型进行估计。平稳序列是指其值随着时间的推移仅围绕一个常数均值和常数方差的序列。在这个实验中，1阶足以达到平均值的平稳性。现在可以检查新构造的变量是否平稳。的平均图是平稳的。接下来的步骤是确定p、d和q的值。为此，需要计算各个阶的自相关系数和偏自相关系数。表1显示了均方根误差(RMSE)、平均绝对百分比误差(MAPE)、规范化贝叶斯信息准则(规范化BIC)和Ljung-Box统计的拟合优度。表2展示了在卡尔纳尔区域的卡尔纳尔市场、加伦达市场、阿桑德市场和塔罗里市场棉花的ARIMA模型的Box-Ljung统计数据，并通过p值展现了其显著性。模型统计数据见表1。从表中可以看出，季节ARIMA模型为(0，1，1)(1，1，2)，并表明巴士马蒂香米的价格是符合预期的。
表1：哈里亚纳卡纳尔地区不同市场的模型统计
|
Karnal market |
Ljung Box(18) |
|||||
|
Model |
RMSE |
MAPE |
N-BIC |
Statisitcs |
Df |
Sig. |
|
Model (0,1,1)(1,1,2) |
265.885 |
4.814 |
11.315 |
13.172 |
15 |
0.589 |
|
Gharunda market |
Ljung Box(18) |
|||||
|
Model |
RMSE |
MAPE |
N-BIC |
Statisitcs |
Df |
Sig. |
|
Model (0,1,1)(1,1,2) |
267.409 |
5.046 |
11.326 |
8.886 |
15 |
0.883 |
|
Assandh market |
Ljung Box(18) |
|||||
|
Model |
RMSE |
MAPE |
N-BIC |
Statisitcs |
Df |
Sig. |
|
Model (0,1,1)(1,1,2) |
285.146 |
4.974 |
11.455 |
14.561 |
剩余内容已隐藏，支付完成后下载完整资料 资料编号：[268353]，资料为PDF文档或Word文档，PDF文档可免费转换为Word |
|
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
