影响关键字指数

参赛队员姓名:麦一芮中学:华东师范大学第二附属中学省份:上海市国家/地区:中国指导教师姓名:曹啸副教授、博导论文题目:政策冲击对在线商品消费量变动趋势的影响研究政策冲击对在线商品消费量变动趋势的影响研究摘要:政策冲击下的网络搜索对在线商品消费量往往造成巨大影响,本文以近年来发生的国际贸易贸易冲击中的"贸易战"为关键词的百度搜索指数变化为线索,考察基于互联网在线数据的交通和通讯类消费价格指数(ICPI)数据对国内在线商品智能设备、电子辞典、电子文具等最终产品成交量的突变性影响.
这影响在替换国内进口替代原材料"3C数码配件"的成较量为解释变量后,结果依然显著.
研究结果表明:政策冲击是较高进口依存度在线销费价格指数(ICPI)影响进口替代商品销售额的突变点,在替换国内进口替代原材料"3C数码配件"的成较量为解释变量后,结果依然显著.
百度搜索指数对进口替代商品交易额之间存在不可逆、且方向不同的突变影响.
本文随后建立了上述三种商品销售额趋势变化的干预模型,模型的建立为管理部门及时应对市场冲击,平抑市场供需关系提供可靠依据.
关键词:百度搜索指数;突变点;贸易战;干预模型ResearchontheImpactofInternetBreakingNewsEventsonOnlineCommodityConsumptionAbstract:Thenetworksearchunderthepolicyimpactoftenhasahugeimpactontheconsumptionofonlinegoods.
ThispapertakestheonlinetradedatabasedonthechangesoftheBaidusearchindexwiththe"tradewar"intheimpactofinternationaltradetradeinrecentyears.
Theimpactoftrafficandcommunicationsconsumerpriceindex(ICPI)dataonthevolumeofonlineproductssuchasdomesticsmartdevices,electronicdictionaries,andelectronicstationery.
Thisaffectstheeffectofreplacingthedomesticimportedsubstituterawmaterial"3Cdigitalaccessories"asanexplanatoryvariable,andtheresultsarestillsignificant.
Theresultsofthestudyindicatethatthepolicyshockisthesuddenchangeintheimpactofthehigherimportdependencyonlinesalespriceindex(ICPI)onthesalesofimportedsubstitutes.
Afterreplacingthedomesticallyimportedsubstituterawmaterial"3Cdigitalaccessories",thecontestistheexplanatoryvariable.
Thispaperthenestablishesaninterventionmodelfortheabovethreecommoditysalestrends.
Theestablishmentofthemodelprovidesareliablebasisforthemanagementdepartmenttorespondtomarketshocksinatimelymannerandstabilizethemarketsupplyanddemandrelationship.
Keywords:AttentionMechanism;Deeplearning;ConvolutionalRecurrentNeuralNetwork;Emotionrecognition;目录一、引言.
51.
1问题的提出.
51.
2文献综述.
8二、研究方法和数据来源.
92.
1研究方法.
92.
2数据来源.
9三、搜索指数变动对在线商品销售量影响的理论与假设103.
1理论分析.
103.
2假设的提出.
11四、干预模型模型分析.
114.
1干预模型的类型.
114.
2干预模型的型式选择.
13五、在线商品销售量的实证检验.
145.
1突变点Chow检验.
145.
2在线商品销售量的自回归移动平均模型.
15六、稳健性检验.
186.
1替换解释变量的突变点Chow检验.
186.
2在线商品销售量的自回归移动平均模型.
19七、结论.
217.
1主要结论.
217.
2进一步讨论.
22参考文献.
235一、引言1.
1问题的提出根据2018年的全球互联网报告的统计内容,在全球76亿人口中,互联网用户的人数已超过40亿.
人们更为普遍地运用互联网获取实时咨询和新闻.
而同一年,中国互联网信息中心(CNNIC)研究报告显示,截至2018年12月,我国网民规模已达8.
29亿,网络关注和网络购物正成为社会化消费的主流.
在此背景下,网络关注的浏览量已成为消费者在线购买商品的先导指标.
在网络用户呈现爆炸式增长的今天,突发性的经济事件借助网络传输迅速影响经济主体的经济决策.
进而影响到商品市场和股票市场.
突发性事件对经济的冲击呈现出快速、集中的特征.
对社会经济造成的影响力越来越广泛.
突发事件如何通过网络搜索影响经济主体的决策,如何从网络用户的关注和搜索行为中寻找出网络搜索相关规律,以及如何度量突发事件前后经济主体的经济影响,进而分析这些经济影响的后果是当前网络社会需要重视的重要问题.
由于近年来,影响经济冲击较大的注突发事件是国际之间的贸易冲突.
贸易冲突的影响不仅影响到国家经济的增长,也同时影响到行业发展和行业竞争格局,同时国家贸易冲突的爆发更直接地影响到居民的日常消费和生活,亟待运用相关模型预测突发事件对消费者的影响,以便及早评估影响做出平抑市场的保障措施.
因此,为使项目的研究更具有普遍意义,本项目选择贸易冲突初次爆发期的网络用户关注数据,并以此为基础进一步考察网络用户的浏览、网络用户的点击、网络用户的搜索等指标对消费者在线消费所造成的影响.
通过建立突发时间的模型,考察突发新闻事件对消费者消费行为的影响.
项目的研究有助于为引导消费者理性消费,正确对待突发事件,提前做出预警和检测的理论支持.
当国际贸易收到不畅时其影响范围正逐渐扩大时,国际贸易冲突的直接影响体现为国内商品销售量的变化.
这种变化通常的主要原因是随着贸易冲突的加剧,国际贸易量会逐渐下滑.
其直接影响将体现为一些依赖于进口的消费品的需求得不到满足.
这部分需求将以购买境内商品销售量的增加体现出来,形成消费需求的进口替代.
在商品销售中,对商品销售量最为敏感的变化就体现在线消费量的变化上.
在线消费量的变化是对突发事件最为敏感的指标.
因为最近出现的全球贸易格局较为紧张的变化具有突发可能性,因此.
本项目选择具有突发性影响的贸易新闻指数为突发事件起点,分析在新闻冲击下网络用户在线搜索数据的变动.
并探讨以高度相关的关键词为搜索指数的数据的变动对在线商品销售量的持续影响.
图1和图2展示了突发新闻关键词"贸易战"、"关税""特朗普"的搜索指数和资讯指数的6变动状况.
图1:2018年1月-2019年8月的百度搜索指数(红色三角为突变点)图2:2018年1月-2019年8月的百度资讯指数(红色三角为突变点)图1和图2中可见,"贸易战"和"特朗普"的搜索指数和资讯指数数据剧烈变动,且有较强的相关性.
而关键词"关税"的相对搜索量和资讯指数数量相对较低.
但是上述三个关键词的搜索指数和资讯指数的峰值都具有高度的相关性,且变动明显.
可见,在高峰时期网络用户的关注度比较集中且可能存在一致性的影响.
贸易格局的突变的直接影响还体现在网络用户在线搜索内容的变化方面.
为进一步分析贸易战搜索词的动态变化,我们通过用户在搜索"贸易战"一词的前后的搜索行为变化中表现出来的相关检索词需求.
图3和图4显示,圆与圆之间的距离表示其他词语与目标检索词的关联强度;相关词自身大小表示相关词自身搜索指数大小.
7图3:2018年7月的百度相关词检索需求图谱(www.
baidu.
com)图4:2019年6月的百度相关词检索需求图谱(www.
baidu.
com)从图3-图4的搜索需求图谱中,能够看到,在2018年7月的检索相关词更多的是对贸易战的进展相关的问题,但是到2019年6月时,对中国国内的影响的相关搜索更普遍,关注度也更高,以贸易战为代表的搜索相关词更多的是对中国自身经济影响的相关搜索.
显然相关事件的影响程度已经从"进展"、"消息"的层面发展到对"中国的影响"、"中国损失"等关系自身利益问题上.
由于中国网络购物产业的快速发展,网络购物已然成为消费者实现消费的重要方式.
因此,项目的主要议题是讨论以"贸易战"为关键词的突发事件冲击所造成的典型进口替代商品的在线购买数量的变化趋势.
我们预测,随着突发贸易时间的冲击的产生将对进口替代商品的购买量产生更有利的影响.
即突发事件的爆发将刺激进口替代商品销售量的不断增长,从而改变原有商品的销售量的变动轨迹.
另外,探讨网络新闻指数变动对在线商品购买量具8有较直接的影响.
1.
2文献综述关文献的研究主要从三个方面展开:一是突发事件对消费者购买行为的影响研究.
在此研究领域中,针对突发事件的影响研究,最早衡量突发性干预事件的影响的是Box和Tiao(1975),他们在其论文《Interventionanalysiswithapplicationstoeconomicandenvironmentalproblem》中他们提出了干预模型(IntenventionAnalysisModel)在他们发表的原创性文献发表后,相关研究成果不断发展.
Twine等(2016)分析了加拿大牛肉供给周期的政策冲击,他们发现牛肉平抑政策冲击将使牛肉周期峰值幅度降低了58%.
国内研究者冯文权(1990);杨楠和邢力聪(2005);陈兆友(2011)将该模型运用到产业政策、汇率政策、货币政策冲击的研究中,与此类似的相关研究文献达到数百篇,研究成果被学术界广泛认可.
梁立俊和游桂芬(2011)将干预模型运用到贸易余额的研究中,他们的研究发现汇率政策的干预能够较好地解释中美贸易余额的变化机制.
二是在线消费者的消费意向的形成的过程.
Lin等(2009);Kwek等(2010);Lee等(2017)从网购体验、网络客户忠诚度等方面研究购买意向的形成过程,他们的研究均支持网络用户的搜索行为对购买意向存在着积极影响的结论.
庄倩倩(2019)研究发现网络消费者购买意向影响因素中,以信息获取效率为关键指标的线上购物感知利益对在线购买意愿的影响最强.
李光明和蔡旺春(2015)、沈鹏熠和范秀成(2016)、喻昕和许正良(2017)从网络消费者购买意向的角度分析在线销售,他们研究均支持在线消费购物体验能够增加客户的购买意愿的结论.
三是网络购买量的影响因素及其变动趋势分析.
Limayem等(2000);Lim等(2012);Twine等(2016);MacCarthy(2019)从在线消费者购买决策影响因素的角度的研究,认为改变消费者购买意向的主要因素与其网络搜索方式的关系密切.
张崇等(2012)研究发现网络搜索数据与CPI之间存在协整关系,模型拟合度达到0.
978.
他们的研究发现提供了从网络搜索与零售商品价格变化之间存在高度相关关系.
任乐和崔东佳(2014)通过网络检索数据预测了游客数量的变化,达到较高的预测精度.
李飞等(2010)以2008性突发事件为例,以会员顾客作为研究样本,剖析顾客购买行为的影响要素,他们运用突发事件的研究方法,分析同突发事件对零售企业顾客购买方式的影响.
他们发现,突发事件对消费者的影响较显著.
从已有研究来看,基于突发事件冲击在线商品消费量的研究从1975年开始至今仍然在9不断深化发展,涉及社会经济各个研究领域.
模型经过不断深入探讨已经能够运用到国际贸易冲突、汇率冲击以及产业冲击等方面.
相关研究的结论为本文的研究提供了有益借鉴.
随着国际国内经济一体化的深入.
政策冲击的范围越来越广,相关研究的运用越来越广泛,为本文的创新提供可借鉴的依据.
本研究以"贸易战"等网络突发新闻关键词指数变动的影响为分析起点,拟通过突发事件的关键词词频分析,运用皮尔逊相关性分析方法.
找到相关性最强的词汇,并分析这些词汇百度搜索指数和百度媒体指数.
进而确定网络突发事件的突变点,再确定突变点之后.
比较并筛选突发事件冲突对在线消费量的影响.
本项目基于网络数据的干预模型的分析,为在贸易政策冲击下的国内在线商品购买量预测提供了可靠依据.
二、研究方法和数据来源2.
1研究方法(1)通过网络爬虫方法,获得网络新闻按时间序列排序的序列关键词,重点分析关键词在网络搜索中的重要性,通过百度搜索指数的数据分析干预冲击事件.
观察干预事件的影响的类型,区分是短暂影响还是长期影响.
(2)本文首先找到干预事件,通过关键词搜索的方式找到关键词的搜索指数和咨讯指数.
建立高频关键词与搜素指数时间的相关性,按照相关性排序.
(3)进行Chow突变点检验,以考察是否突发事项对互联网搜索数据造成显著影响,进而检验是否存在电商在线销售量发生的突变现象.
(4)再利用如果存在突变,则选择干预事件影响的类型,通过真实数据的变动情况确定干预模型的形式.
(5)在此基础上分析干预事件对经济造成的影响的干预模型,通过建立干预实证模型,重点考察突变变量对模型的影响.
将干预变量和随时间变化的回归模型进行整合,最终建立完整的包含干预项的干预模型.
2.
2数据来源本文的在线商品销售量的数据来自于wind数据库,百度搜索指数和百度资讯指数趋势信息来源于百度网站,百度指数和资讯数据来源于中国研究数据服务平台数据库.
关键此的筛选中我们主要依据关键词在百度指数官网的百度指数变动趋势比对得到.
10三、搜索指数变动对在线商品销售量影响的理论与假设3.
1理论分析在开放的经济中,突发新闻事件的影响首先会冲击宏观经济变量.
但是,随着网络用户数量的急剧增长,网络浏览数量的变化势必对网络在线消费者群体产生影响.
而网络用户和网络消费者的行为模式,决定了消费者在线消费决策,消费决策最终体现为在线商品销售额上.
图5列示了本文分析的理论逻辑,图中可见由于互联网消费是由每个个人消费者在线搜索的结果,在线搜索量虽然不能全部转化为在线购买决策,但在很大程度上在线消费是依靠在线搜索为前提的.
其原因在于,在线搜索除了了解新闻事件,掌握商品市场资讯意外,每个网络用户在网络购物之前几乎都事先借助网络用户的评价、点击率等信息获得在线商品更多的信息.
重复点击并且在线浏览的好处在于能够帮助消费者在较短的时间内获得更多的商品信息.
以较低的搜寻成本获取较高质量的消费.
基于此逻辑本文认为突发事件与其相关的在线消费品之间存在显著的关系,我们猜测在未考虑突发事件的情形下,在线消费是平稳增长的.
一旦受到不可逆的突发事件的冲击,则在线消费商品的数量将呈现出不可逆的变化,消费量的增长路线将发生明显变化.
这一思路为本文的实证研究提供了理论依据.
图3突发事件影响在线消费者决策的过程图5:突发事件对进口替代在线商品销售量影响的路径本文以"贸易战"为关键词的百度搜索指数的数据为基础分别对在线商品"智能设备"、"3C数码配件""电子辞典"的在线销售量进行回归分析.
是因为一方面贸易战中针对部分商品关税的成本的提高影响到相关行业内的产品生产,另外一方面则直接影响到相关产物的需求因素供给因素技术成本功能售后突发事件影响关键词关联事件消费者网络搜索突发事件影响消费者交易的过程网络浏览网络点击网络评论网络购物用户表现消费者网购决策在线成交价格在线交易量电商市场表现价格偏好品牌替代性11消费需求.
特别是对"进口替代"类的产品的影响将形成持续的影响.
3.
2假设的提出基于上述理论分析,我们提出基本假设:突变点的冲击时间为2018年3月,且干预冲击具有不可逆性.
在提出上述假设之后我们将运用Chow检验进行验证,以确定改时间点为突变点.
为后续干预分析模型的选型和建模确定基础.
四、干预模型模型分析4.
1干预模型的类型1975年美国学者Box和Tiao结合多种实业生产数据提出了干预分析模型(IntenventionAnalysisModel).
本文在该文的启发下,并对冯文权(1990)的模型进行了改动,将改动之后的模型形式进行整理,得到干预事件的影响的下四种类型【6】:(1)突发性干预影响突然开始,并长期持续.
我们假定干预变量的影响是突发的,这一影响从序列中的时间T开始,且并不能确定其影响的后果.
此时,我们可以将及模型设定为如下形式:Yt=ε(1)这里的Yt表示干预事件冲击后输出的结果,ε是未知参数,C表示事件冲击.
有时突发性干预的影响并非立即产生,可能要经过一定的时期才可能产生影响,此时我们可以改变模型的形式.
模型改为:Yt=εDa(2)在(2)式中,D代表延迟算子,a代表延迟的时间.
通常我们可以将干预突然开始并长期持续的影响描述如下图所示:图7:发生后持续影响的干预事件在图7中,一种是在T1发生的突发事件,这一突发事件在T1时刻立即产生影响,且YYt0T0aT1T12YYt0T0T1tYYt0T1t其影响持续保持在Yt的水平上,影响持续不变.
这是典型的突发时间影响其影响与表达式(1)对应.
而与此类相似的一类突发事件影响是(2)所表示的突发事件影响,在图7中可见,突发事件在T0时刻爆发,但经过一个缓冲期a之后,其影响才开始,这一影响持续保持在Yt的水平上.
(2)突发性干预事件逐渐开始,其影响长期保持下去在突发事件爆发后其影响并非突然爆发,而是逐渐放大,其影响达到顶峰之后再逐渐保持在顶峰的影响状态.
其模型表达式为:Yt=102018年3月)17我们最后估计得到干预事件的参数如表6所示.
表6突发事件干预模型的参数估计εξ智能设备参数-0.
0100.
76343C数码配件参数0.
21570.
6734电子辞典参数0.
00620.
6096(3)时间序列模型与干预模型相整合的在线商品销售量干预模型以智能设备销售额为解释变量的完整的模型形式为(12).
因此,在线商品智能设备作为被解释变量的完整的干预模型的形式为:lnz=at+b+Yt02018年3月)(2)3C数码配件在线销售额的完整干预模型:Lnc=0.
592t+11.
18029+0.
215710.
6734(17)R2=0.
9705,F=986.
6418其中,0,贸易战发生前(t2018年3月)(3)电子辞典在线销售额的完整干预模型:Lnm=0.
4741t+5.
4428+0.
006110.
6096(18)R2=0.
9679,F=907.
11其中,0,贸易战发生前(t2018年3月)上述模型的拟合度较高,均通过参数的显著性检验和回归方程的显著性检验,且能够合理解释自2018年3月之后,在国际贸易政策冲击下国内在线销售量的变动趋势.
六、稳健性检验6.
1替换解释变量的突变点Chow检验接下来我们再次从生产原材料的角度分析贸易战所带来的影响.
以3c数码配件为解释变量,记为lnc,解释三类网络在线商品销售量的数据,其中,智能设备记为lnz,电子文件产品记为lnq,电子辞典记为lnm,具体回归方程形式分别为:Lnz=αlnc+βi=1,2,3(19)Lnq=αlnc+βi=1,2,3(20)Lnm=αlnc+βi=1,2,3(21)对(19)、(20)、(21)分别运用获取的数据进行回归分析.
以2018年3月为突变点检验,参数估计结果如表7所示.
表7在线销售商品的方程参数估计参数因变量智能设备(lnz)电子文具(lnq)电子辞典(lnm)αi0.
49591.
26830.
8174βi0.
9460.
2921-0.
0669R20.
96060.
93300.
927819F733.
34418.
64386.
63从表7可见,三类商品在线销售额的增长均呈现出系数为正的变动关系.
由3c数码配件销售量数据能够显著解释三类商品的销售量的增长.
我们以2018年3月为突变点,采用Chow检验方法,分别对在线销售的商品智能设备、电子文具、电子辞典进行突变点检验,Chow突变点检验结果如表8、表9、表10所示.
表8智能设备Chow突变点检验结果"智能设备"在线销售量的Chow突变点检验:2018年3月F统计值10.
72P值0.
0004对数似然率18.
1135P值0.
0000表9电子文具Chow突变点检验结果"电子文具"在线销售量的Chow突变点检验:2018年3月F统计值23.
8807P值0.
0007对数似然率31.
5724P值0.
0000表10电子辞典Chow突变点检验结果"电子辞典"在线销售量的Chow突变点检验:2018年3月F统计值15.
5640P值0.
0000对数似然率23.
7711P值0.
0000从表中可见,上述3中在线商品销售额的突变点检验都严格拒绝原假设,即实证分析结论支持2018年3月是突变点的假设.
6.
2在线商品销售量的自回归移动平均模型(1)选取分界点建立自回归移动平均模型由以上突变点检验可知,2018年3月为在线商品销售量发生突发性变化的时间点.
因此,我们选取2017年1月-2018年3月的智能设备(lnz)、电子文具(lnq)、电子辞典(lnm)的销售额样本数据构建其随时间t变化的时间序列模型.
Lnz=at+bi=1,2,3(22)Lnq=at+bi=1,2,3(23)Lnm=at+bi=1,2,3(24)模型随时间变动的的线性估计结果,列示在表11中.
20表11在线商品销售随时间t变动的系数和截距参数因变量智能设备(lnz)电子文具(lnc)电子辞典(lnm)a0.
25593.
62590.
4111b8.
192819.
63595.
9428调整R20.
98700.
98050.
9871F2281.
5231512.
2472302.
6188(2)估计干预模型的变量参数参考第五章中干预模型的计算公式,该模型的估计结果列示在表12中表12突发事件干预模型的参数估计εξ智能设备参数-0.
0100.
7634电子文具参数-0.
91861.
0435电子辞典参数0.
00620.
6096(3)时间序列模型与干预模型相整合的在线商品销售量干预模型将上述表11和表12步骤所形成的实证分析参数进行整合,我们最终得到完整的智能设备、电子文具、电子辞典的在线商品销售额的干预模型表达式,列示如下:(1)智能设备在线销售额的完整干预模型:Lnz=0.
2559t+8.
1928+0.
009910.
7634(25)R2=0.
9870,F=2281.
52其中,0,贸易战发生前(t2018年3月)(2)电子文具在线销售额的完整干预模型:Lnq=3.
6259t+19.
6359+0.
918611.
0435(26)R2=0.
9805,F=2302.
6188其中,0,贸易战发生前(t2018年3月)21(3)电子辞典在线销售额的完整干预模型:Lnm=0.
4111t+5.
9428+0.
006110.
6096(27)R2=0.
9871,F=907.
11其中,0,贸易战发生前(t2018年3月)上述模型的拟合度较高,均通过参数的显著性检验和回归方程的显著性检验.
结合公式(25)(26)(27)同样能够说明且能够合理解释自2018年3月之后,在国际贸易政策冲击下国内在线销售量的变动趋势.
七、结论7.
1主要结论网络新闻冲击对相关产业的在线消费数量产生了显著的影响,而且这一影响具有不可逆的特征.
实证分析表明,在2018年3月以"贸易战"为代表关键词的百度网络搜索数量的急剧增加,显示出该关键词集中体现了社会个体关注的焦点事件.
运用Chow突变点检验、回归分析建立的干预模型得出的结论表明:(1)以关键词检索相关的百度网络搜索指数具有明显的代表性,网络搜索指数反映了社会个体对相关事件进展的密切关注态势.
关键词"贸易战"的网络搜索指数数据急剧增加,还体现了社会个体对相关突发事件影响自身利益的关切.
本文实证检验也表明网络在线消费价格指数影响着在线消费商品数量,且具有不可逆的变动,这一变动正是消费者基于突发事件的影响而做出的消费决策的改变.
(2)突变点的冲击对不同进口替代程度消费品消费量的增长趋势的影响存在差异.
本文选取了"智能设备"、"3C数码配件"、"电子辞典"分别代表高新技术企业产品、以"信息小家电"为主体的3C数码配件产品以及电子产品.
分析结果表明,代表高端技术装备的智能设备的销售量在经受突变点冲击之后,有微小的降低.
而代表具有较强进口替代能力的"3C"数码配件产品的销售量在经受突发事件冲击后,其销售量有明显的增加.
最22后,代表电子产品的"电子辞典"在经受冲击之后有微幅的增长,体现出较小的变化趋势.
(3)模型的时间预测曲线为相关管理部门提高市场预测能力提供理论依据.
本文的实证结论也为通过网络新闻事件干预并正确引导社会个体消费者的消费行为决策,提供可靠的依据.
当面临强烈的新闻时间干预影响时,为平抑市场波动,减少对市场的冲击,相关舆情管理部门应该联合商业管理部门实施好新闻时间冲击的预警和分析.
提前做好相关稳定市场环境的工作.
7.
2进一步讨论贸易突发事件对交通和通讯类在线消费者价格指数产生影响,而交通和通讯类在线消费者价格指数影响以在线商品成交量为代表的消费者需求.
影响路径为关税上升、国内进口替代原材料"3C数码配件"价格和成较量均上升、国内智能设备、电子辞典、电子文具等最终产品成交量上升.
这一逻辑链条在替换国内进口替代原材料"3C数码配件"的成较量为解释变量后,结果依然显著.
这一结果也较为符合目前国内的实际状况.
本文在数据采集中仅使用了数据平滑的方法,在实证分析中使用了一阶滞后线性回归方法.
由于在线商品价格和销售量之间多呈非线性特征,因此,在未来可以通过采用非平稳时间序列进行实证分析则更贴近现实状况,为相关管理部门提供可行的政策建议.
23参考文献[1]Lin,JL;Chan,HC,UnderstandingtheBeliefsandIntentionsinSearchandPurchaseFunctionsinanE-CommerceWebSite,IEEETRANSACTIONSONENGINEERINGMANAGEMENT,2009.
56(2):106-114.
[2]Lim,Jaejoo;Grover,Varun;Purvis,RussellL.
,TheConsumerChoiceofE-ChannelsasaPurchasingAvenue:AnEmpiricalInvestigationoftheCommunicativeAspectsofInformationQuality,IEEETRANSACTIONSONENGINEERINGMANAGEMENT,2012.
59(3):348-363.
[3]MacCarthy,BartL.
;Zhang,Lina;Muyldermans,Luc,BestPerformanceFrontiersforBuy-Online-Pickup-in-Storeorderfulfilment,INTERNATIONALJOURNALOFPRODUCTIONECONOMICS,2019.
211(5):251-264.
[4]Box,G.
E.
P.
,&Tiao,G.
C.
Interventionanalysiswithapplicationstoeconomicandenvironmentalproblem.
JournaloftheAmericanStatisticalAssociation,1975(70):70–79.
[5]KwekCh.
L,LauT.
Ch,TanH.
P.
,TheEffectsofShoppingOrientations,OnlineTrustandPriorOnlinePurchaseExperiencetowardCustomers'OnlinePurchaseIntention.
InternationalBusinessResearch,2010,(3):63-76.
[6]Twine,EE;Rude,J;Unterschultz,J.
,CanadianCattleCyclesandMarketShocks,CANADIANJOURNALOFAGRICULTURALECONOMICS-REVUECANADIENNEDAGROECONOMIE,2016(64):119-146.
[7]LimayemM.
,KhalifaM.
,Frini.
A.
WhatmakesconsumersbuyfromInternetAlongitudinalstudyofonlineshopping.
IEEETransactionsonSystems,Man,andCybernetics-PartA:SystemsandHumans,2000,Vol.
30(4):21-432.
[8]Wan-I.
Lee,Shan-YinCheng,Yu-TaShih.
Effectsamongproductattributes,involvement,word-of-mouth,andpurchaseintentioninonlineshopping.
AsiaPacificManagementReview,2017,22(4):23-229.
[9]陈兆友,基于干预模型的FDI对产业结构的影响分析,统计与决策,2011(8):119-121.
[10]冯文权,政策干预或突发事件影响的统计分析模型,统计与决策,1990(12):8-11.
[11]杨楠;邢力聪,干预分析模型在房价指数预测中的应用,统计与决策,2005(11):51-52.
[12]任乐;崔东佳,基于网络搜索数据的国内旅游客流量预测研究,经济问题探索,242014(4):67-73.
[13]张崇;吕本富;彭赓;刘颖.
网络搜索数据与CPI的相关性研究,管理科学学报,2012(7):50-59.
[14]喻昕;许正良;郭雯君.
在线商户商品信息呈现对消费者行为意愿影响的研究,情报理论与实践.
2017(10):80-84.
[15]李光明,蔡旺春.
基于网站特性的在线购物体验研究,中国流通经济.
2015(11):96-104.
[16]沈鹏熠,范秀成.
在线零售商营销道德、购物体验与顾客行为倾向研究.
大连理工大学学报(社会科学版).
2016(03):70-76.
[17]李飞;马宝龙;林健.
突发事件对零售企业顾客购买行为的影响研究,南开管理评论,2010(06):4-11.
[18]庄倩倩.
网络消费者购买意愿影响因素实证研究.
商业经济研究.
2019(07):55-58.
[19]梁立俊;游桂芬.
汇率变动与贸易余额——基于政策干预和预期因素的模型分析和实证研究.
国际经贸探.
2011(06):17-25.
致谢:感谢上海财经大学金融学院曹啸副教授、博士生导师的耐心指导,在他的指导下本研究取得了较好的预期结果.
希望在未来的项目研究中,一如既往地得到各位前辈和老师的支持.
25附:Chow检验的Stata命令程序chowregy1x1,dum(15)type(1)chowregy1x1,dum(15)type(2)chowregy1x1,dum(15)type(3)eststorem1reg2docxm1usingG13.
docx,replacescalars(Nr2(%9.
4f)r2_a(%9.
4f))///title("结果1")chowregy2x1,dum(15)type(1)chowregy2x1,dum(15)type(2)chowregy2x1,dum(15)type(3)eststorem1reg2docxm1usingG13.
docx,replacescalars(Nr2(%9.
4f)r2_a(%9.
4f))///title("结果2")chowregy3x1,dum(15)type(1)chowregy3x1,dum(15)type(2)chowregy3x1,dum(15)type(3)eststorem1reg2docxm1usingG13.
docx,replacescalars(Nr2(%9.
4f)r2_a(%9.
4f))///title("结果2")26chow检验分析结果1(1)(2)(3)y1y1y1x14.
817***4.
811***4.
224***(3.
903)(3.
871)(2.
827)D0-0.
040-9.
376(-0.
271)(-0.
722)Dx_x1-0.
0081.
944(-0.
263)(0.
719)_cons-20.
472***-20.
440***-17.
665**(-3.
508)(-3.
479)(-2.
501)N313131R-Square0.
68810.
68800.
6939Adj.
R-Square0.
670.
670.
66Ho:noStructuralChange-N1:1stPeriodObs=15-N2:2ndPeriodObs=16-ChowTest[K,N-2*K]=70.
7269PValue>F(2,27)0.
0000-FisherTest[N2,(N1-K)]=5.
0802PValue>F(16,13)0.
0026-WaldTest=162.
4099PValue>Chi2(16)0.
0000-LikelihoodRatioTest=56.
7556PValue>Chi2(16)0.
0000-LagrangeMultiplierTest=26.
0313PValue>Chi2(16)0.
0000结果2(1)(2)(3)y2y2y2x13.
239***3.
242***3.
412***(14.
463)(14.
383)(12.
784)D0-0.
0092.
714(-0.
319)(1.
170)Dx_x1-0.
002-0.
567(-0.
332)(-1.
174)_cons-13.
000***-13.
015***-13.
818***(-12.
275)(-12.
210)(-10.
948)27N313131R-Square0.
97060.
97060.
9720Adj.
R-Square0.
970.
970.
97Ho:noStructuralChange-N1:1stPeriodObs=15-N2:2ndPeriodObs=16-ChowTest[K,N-2*K]=5.
5247PValue>F(2,27)0.
0097-FisherTest[N2,(N1-K)]=1.
2566PValue>F(16,13)0.
3429-WaldTest=12.
6862PValue>Chi2(16)0.
0004-LikelihoodRatioTest=10.
6344PValue>Chi2(16)0.
0011-LagrangeMultiplierTest=9.
0022PValue>Chi2(16)0.
0027结果3(1)(2)(3)y3y3y3x15.
454***5.
434***4.
652***(14.
334)(14.
233)(12.
516)D00.
114**-12.
498***(2.
485)(-3.
870)Dx_x10.
024**2.
626***(2.
530)(3.
905)_cons-23.
033***-22.
940***-19.
241***(-12.
803)(-12.
708)(-10.
949)N313131R-Square0.
97830.
97840.
9861Adj.
R-Square0.
980.
980.
98Ho:noStructuralChange-N1:1stPeriodObs=15-N2:2ndPeriodObs=16-ChowTest[K,N-2*K]=12.
2844PValue>F(2,27)0.
0002-FisherTest[N2,(N1-K)]=1.
5706PValue>F(16,13)0.
2084-WaldTest=28.
2086PValue>Chi2(16)0.
0000-LikelihoodRatioTest=20.
0595PValue>Chi2(16)0.
000028-LagrangeMultiplierTest=14.
7692PValue>Chi2(16)0.
0001干预模型的matlab程序:m1=length(x);fori=1:m1;y(i-s)=x(i)-x(i-1);%滞后1周期的差分变换endw=diff(y);m2=length(2);fori=0:6forj=0:6ifi==0&j==0continueelseifi==0ToEstMd=arima('MALags',1:j,'Constant',0);elseifj==0ToEstMd=arima('ARLags',1:i,'Constant',0);elseToEstMd=arima('ARLags',1:i,'MALags',1:j,'Constant',0);endk=k+1;R(k)=i;M(k)=j;[EstMd,EstParamCov,LogL,info]=estimate(ToEstMd,w');%模型拟合numParams=sum(any(EstParamCov));[aic(k),bic(k)]=aicbic(LogL,numParams,m2);endendfprintf('R,M,AIC,BIC的对应值如下\n%f');check=[R',M',aic',bic']