统计学复习资料下.doc

精品文档第9章 相关与回归分析9.1 相关与回归分析的基本概念9.1.1 函数关系与相关关系一. 函数关系：1) 是一一对应的确定关系2) 设有两个变量 x 和 y ，变量 y 随变量 x 一起变化，并完全依赖于 x ，当变量 x 取某个数值时， y 依确定的关系取相应的值，则称 y 是 x 的函数，记为 y = f (x)，其中 x 称为自变量，y 称为因变量3) 各观测点落在一条线上 4) 函数关系的例子 某种商品的销售额(y)与销售量(x)之间的关系可表示为 y = px (p 为单价) 圆的面积(S)与半径之间的关系可表示为S=pR2 企业的原材料消耗额(y)与产量(x1) 、单位产量消耗(x2) 、原材料价格(x3)之间的关系可表示为y = x1 x2 x3 二. 相关关系(correlation)：1) 变量间关系不能用函数关系精确表达2) 一个变量的取值不能由另一个变量唯一确定3) 当变量 x 取某个值时，变量 y 的取值可能有几个4) 各观测点分布在直线周围 5) 相关关系的例子 父亲身高(y)与子女身高(x)之间的关系 收入水平(y)与受教育程度(x)之间的关系 粮食亩产量(y)与施肥量(x1) 、降雨量(x2) 、温度(x3)之间的关系 商品的消费量(y)与居民收入(x)之间的关系 商品销售额(y)与广告费支出(x)之间的关系变量之间关系三. 区别与联系函数关系相关关系共变关系互为因果关系因果关系确定性依存关系 不确定（随机性）依存关系1) 区别： 函数关系中的变量之间的关系是完全确定的，而相关关系中的变量之间的关系是不完全确定的。 函数关系可以用数学表达式精确表示出来，而相关关系只能通过研究变量间的统计规律才能得到。2) 联系：由于存在着测量误差等因素的影响，函数关系在实践中往往通过相关关系表现出来；在研究相关关系时，常常通过确定性的函数关系部分来研究变量之间的依赖关系。9.1.2 相关关系的种类相关关系的种类按相关程度划分按相关方向划分按相关形式划分完全相关不完全相关不相关正相关线性相关按变量多少划分按相关性质划分负相关非线性相关单相关复相关偏相关真实相关虚假相关9.1.3 相关分析与回归分析一. 相关分析：用一个指标来表明现象间相互关系的密切程度二. 回归分析：根据相关关系的具体形态，选择一个合适的数学模型来近似地表达变量间的平均变化关系三. 区别：相关分析研究的都是随机变量，并且不分自变量与因变量；回归分析研究的变量要定出自变量与因变量，并且自变量是确定的普通变量，因变量是随机变量。四. 联系： 均为研究现象之间相关关系的两种不可分割的基本9.1.4 相关关系的描述与测度一. 相关表：是一种统计表，它是直接根据现象之间的原始资料，将一变量的若干变量值按从小到大的顺序排列，并将另一变量的值与之对应排列形成的统计表。二. 相关图：又称散点图(scatter diagram)，用直角坐标系的x轴代表一个变量，y轴代表另一变量，将两个变量间相对应的变量值用坐标点的形式描绘出来，用以表明相关点分布状况的图形。图3 不相关图1 完全相关图2 不完全相关三. 相关系数1) 对变量之间关系密切程度的度量2) 对两个变量之间线性相关程度的度量称为简单相关系数3) 若相关系数是根据总体全部数据计算的，称为总体相关系数，记为r4) 若是根据样本数据计算的，则称为样本相关系数，记为 r5) 样本相关系数的计算公式或简化为6) 取值及其意义 r 的取值范围是 -1,1 |r|=1，为完全相关a. r =1，为完全正相关b. r =-1，为完全负正相关 r = 0，不存在线性相关关系相关 -1r0，为负相关 0r1，为正相关 |r|越趋于1表示关系越密切；|r|越趋于0表示关系越不密切a. 当|r| 0.8时，高度相关b. 当0.5 |r| 0.8时，中度相关c. 当0.3 |r| 0.5时，低度相关d. 当|r|t2/a，拒绝H0 若|t|t2/a(25-2)=2.0687，拒绝H0，不良贷款与贷款余额之间存在着显著的正线性相关关系2) 各相关系数检验的统计量9.2 一元线性回归分析涉及一个自变量的回归因变量y与自变量x之间为线性关系被预测或被解释的变量称为因变量(dependent variable)，用y表示用来预测或用来解释因变量的一个或多个变量称为自变量(independent variable)，用x表示 因变量与自变量之间的关系用一条线性方程来表示9.2.1 一元线性回归模型一. 描述因变量 y 如何依赖于自变量 x 和误差项e 的方程称为回归模型二. 一元线性回归模型可表示为 y = b0 + b1 x+ e1) y 是 x 的线性函数(部分)加上误差项2) 线性部分反映了由于 x 的变化而引起的 y 的变化3) 误差项 e 是随机变量 反映了除 x 和 y 之间的线性关系之外的随机因素对 y 的影响 是不能由 x 和 y 之间的线性关系所解释的变异性4) b0 和 b1 称为模型的参数三. 基本假定1) 误差项是一个期望值为0的随机变量，即E()=0。对于一个给定的 x 值，y 的期望值为E ( y ) =b 0+ b 1 x2) 对于所有的 x 值，的方差2 都相同3) 误差项是一个服从正态分布的随机变量，且相互独立。即N( 0 ,2 ) 独立性意味着对于一个特定的 x 值，它所对应的与其他 x 值所对应的不相关 对于一个特定的 x 值，它所对应的 y 值与其他 x 所对应的 y 值也不相关四. 回归方程(regression equation)1) 描述 y 的平均值或期望值如何依赖于 x 的方程称为回归方程2) 一元线性回归方程的形式如下 E( y ) = b0+ b1 x 方程的图示是一条直线，也称为直线回归方程 b0是回归直线在 y 轴上的截距，是当 x=0 时 y 的期望值 b1是直线的斜率，称为回归系数，表示当 x 每变动一个单位时，y 的平均变动值五. 估计的回归方程(estimated regression equation)1) 总体回归参数b0和b1是未知的，必需利用样本数据去估计2) 用样本统计量和代替回归方程中的未知参数b0和b1 ，就得到了估计的回归方程3) 一元线性回归中估计的回归方程为4) 其中：是估计的回归直线在 y 轴上的截距；是直线的斜率，它表示对于一个给定的 x 的值，是 y 的估计值，也表示 x 每变动一个单位时， y 的平均变动值 9.2.2 参数的最小二乘估计一. 原理1) 使因变量的观察值与估计值之间的离差平方和达到最小来求得和 的方法。即2) 用最小二乘法拟合的直线来代表x与y之间的关系与实际数据的误差比其他任何直线都小二. 和 的计算公式：三. 例题分析【例】求不良贷款对贷款余额的回归方程解：回归方程为：y = -0.8295 + 0.037895 x回归系数=0.037895 表示，贷款余额每增加1亿元，不良贷款平均增加0.037895亿元 四. 用Excel进行回归分析第1步：选择“工具”下拉菜单第2步：选择“数据分析”选项第3步：在分析工具中选择“回归”，然后选择“确定”第4步：当对话框出现时 在“Y值输入区域”方框内键入Y的数据区域 在“X值输入区域”方框内键入X的数据区域 在“置信度”选项中给出所需的数值 在“输出选项”中选择输出区域 在“残差”分析选项中选择所需的选项9.2.3 回归直线的拟合优度评价一. 变差1) 因变量 y 的取值是不同的，y 取值的这种波动称为变差。变差来源于两个方面 由于自变量 x 的取值不同造成的 除 x 以外的其他因素(如x对y的非线性影响、测量误差等)的影响2) 对一个具体的观测值来说，变差的大小可以通过该实际观测值与其均值之差来表示二. 离差平方和的分解(三个平方和的关系) 1)2) 总平方和(SST)=回归平方和(SSR)+残差平方和(SSE)三. 三个平方和的意义1) 总平方和(SST)：反映因变量的 n 个观察值与其均值的总离差2) 回归平方和(SSR)：反映自变量 x 的变化对因变量 y 取值变化的影响，或者说，是由于 x 与 y 之间的线性关系引起的 y 的取值变化，也称为可解释的平方和3) 残差平方和(SSE)：反映除 x 以外的其他因素对 y 取值的影响，也称为不可解释的平方和或剩余平方和四. 判定系数r2 (coefficient of determination)1) 回归平方和占总离差平方和的比例2) 反映回归直线的拟合程度3) 取值范围在 0 , 1 之间4) r2 1，说明回归方程拟合的越好；r2 0，说明回归方程拟合的越差5) 判定系数等于相关系数的平方五. 例题分析1) 【例】计算不良贷款对贷款余额回归的判定系数，并解释其意义 2) 解：判定系数的实际意义是：在不良贷款取值的变差中，有71.16%可以由不良贷款与贷款余额之间的线性关系来解释，或者说，在不良贷款取值的变动中，有71.16%是由贷款余额所决定的。也就是说，不良贷款取值的差异有2/3以上是由贷款余额决定的。可见不良贷款与贷款余额之间有较强的线性关系 六. 估计标准误差(standard error of estimate)1) 实际观察值与回归估计值离差平方和的均方根2) 反映实际观察值在回归直线周围的分散状况3) 对误差项e的标准差s的估计，是在排除了x对y的线性影响后，y随机波动大小的一个估计量4) 反映用估计的回归方程预测y时预测误差的大小 5) 计算公式为9.2.4 残差分析一. 残差(residual)1) 因变量的观测值与根据估计的回归方程求出的预测值之差，用e表示2) 反映了用估计的回归方程去预测而引起的误差 3) 确定有关误差项e的假定是否成立 4) 检测有影响的观测值二. 用残差证实模型的假定1) 残差图(residual plot) 表示残差的图形 （关于x的残差图 关于y的残差图 标准化残差图） 用于判断误差e的假定是否成立 检测有影响的观测值 形态及判别 标准化残差(standardized residual)a. 残差除以它的标准差后得到的数值。计算公式为b. ei是第i个残差的标准差，其计算公式为 杠杆率点(leverage point)a. 如果自变量存在一个极端值，该观测值则称为高杠杆率点(high leverage point)b. 在一元回归中，第i个观测值的杠杆率用hi表示，其计算公式为 c. 如果一个观测值的杠杆率，就可以将该观测值识别为有高杠杆率的点 d. 一个有高杠杆率的观测值未必是一个有影响的观测值，它可能对回归直线的斜率没有什么影响 标准化残差图：用以直观地判断误差项服从正态分布这一假定是否成立 a. 若假定成立，标准化残差的分布也应服从正态分布b. 在标准化残差图中，大约有95%的标准化残差在-2到+2之间 三. 用残差检测异常值和有影响的观测值1) 异常值(outlier) 如果某一个点与其他点所呈现的趋势不相吻合，这个点就有可能是异常点，或称为野点a. 如果异常值是一个错误的数据，比如记录错误造成的，应该修正该数据，以便改善回归的效果b. 如果是由于模型的假定不合理，使得标准化残差偏大，应该考虑采用其他形式的模型，比如非线性模型c. 如果完全是由于随机因素而造成的异常值，则应该保留该数据 在处理异常值时，若一个异常值是一个有效的观测值，不应轻易地将其从数据集中予以剔出 识别a. 异常值也可以通过标准化残差来识别b. 如果某一个观测值所对应的标准化残差较大，就可以识别为异常值c. 一般情况下，当一个观测值所对应的标准化残差小于-2或大于+2时，就可以将其视为异常值2) 有影响的观测值 如果某一个或某一些观测值对回归的结果有强烈的影响，那么该观测值或这些观测值就是有影响的观测值 一个有影响的观测值可能是a. 一个异常值，即有一个的值远远偏离了散点图中的趋势线b. 对应一个远离自变量平均值的观测值c. 或者是这二者组合而形成的观测值不存在影响值的趋势有影响的观测值存在影响值的趋势9.2.5 显著性检验一. 线性关系的检验1) 检验自变量与因变量之间的线性关系是否显著2) 将回归均方(MSR)同残差均方(MSE)加以比较，应用F检验来分析二者之间的差别是否显著3) 回归均方：回归平方和SSR除以相应的自由度(自变量的个数p) 4) 残差均方：残差平方和SSE除以相应的自由度(n-p-1)5) 检验的步骤 提出假设H0：b0 = 0（线性关系不显著）；H1：b1 0 计算检验统计量F： 确定显著性水平a，并根据分子自由度1和分母自由度n-2找出临界值F a 作出决策：若FF a,拒绝H0；若FF a,拒绝H0，线性关系显著二. 回归系数的检验1) 检验 x 与 y 之间是否具有线性关系，或者说，检验自变量 x 对因变量 y 的影响是否显著2) 理论基础是回归系数的抽样分布3) 在一元线性回归中，等价于线性关系的显著性检验4) 样本统计量的分布 是根据最小二乘法求出的样本统计量，它有自己的分布 的分布具有如下性质 分布形式：正态分布 数学期望： 标准差： 由于s未知，需用其估计量sy来代替得到 的估计的标准差5) 检验步骤 提出假设H0: b1 = 0 (没有线性关系) H1: b1 0 (有线性关系) 计算检验的统计量 确定显著性水平a，并进行决策 tt2/a，拒绝H0； tt2/a=2.201，拒绝H0，表明不良贷款与贷款余额之间的线性关系是显著的9.2.6 利用回归方程进行估计和预测根据自变量 x 的取值估计或预测因变量 y的取值估计或预测的类型（一）点估计 y 的平均值的点估计 y 的个别值的点估计（二）区间估计 y 的平均值的置信区间估计 y 的个别值的预测区间估计一. 点估计1) 对于自变量 x 的一个给定值x0 ，根据回归方程得到因变量 y 的一个估计值2) 点估计值有 y 的平均值的点估计a. 利用估计的回归方程，对于自变量 x 的一个给定值 x0 ，求出因变量 y 的平均值的一个估计值E(y0) ，就是平均值的点估计b. 在前面的例子中，假如我们要估计贷款余额为100亿元时，所有分行不良贷款的平均值，就是平均值的点估计。根据估计的回归方程得 y 的个别值的点估计a. 利用估计的回归方程，对于自变量 x 的一个给定值 x0 ，求出因变量 y 的一个个别值的估计值，就是个别值的点估计b. 比如，如果我们只是想知道贷款余额为72.8亿元的那个分行(这里是编号为10的那个分行)的不良贷款是多少，则属于个别值的点估计。根据估计的回归方程得3) 在点估计条件下，平均值的点估计和个别值的的点估计是一样的，但在区间估计中则不同二. 区间估计1) 点估计不能给出估计的精度，点估计值与实际值之间是有误差的，因此需要进行区间估计2) 对于自变量 x 的一个给定值 x0，根据回归方程得到因变量 y 的一个估计区间3) 区间估计有两种类型 置信区间估计(confidence interval estimate)a. 利用估计的回归方程，对于自变量 x 的一个给定值 x0 ，求出因变量 y 的平均值的估计区间 ，这一估计区间称为置信区间(confidence interval)b. E(y0) 在1-a置信水平下的置信区间为，式中：sy为估计标准误差【例】求出贷款余额为100亿元时，不良贷款95%的置信区间解：根据前面的计算结果，已知n=25，sy=1.9799，t2/a(25-2)=2.0687 置信区间为 当贷款余额为100亿元时，不良贷款的平均值在2.1141亿元到3.8059亿元之间 预测区间估计(prediction interval estimate)a. 利用估计的回归方程，对于自变量 x 的一个给定值 x0 ，求出因变量 y 的一个个别值的估计区间，这一区间称为预测区间(prediction interval) b. y0在1-a置信水平下的预测区间为【例】求出贷款余额为72.8亿元时，不良贷款 95% 的置信区间解：根据前面的计算结果，已知n=25，sy=1.9799，t2/a(25-2)=2.0687置信区间为 贷款余额为72.8亿元的那个分行，其不良贷款的预测区间在-2.2766亿元到6.1366亿元之间。 4) 影响区间宽度的因素 置信水平 (1 - a) 区间宽度随置信水平的增大而增大 数据的离散程度 (s) 区间宽度随离散程度的增大而增大 样本容量 区间宽度随样本容量的增大而减小 用于预测的 xp与x的差异程度 区间宽度随 xp与x 的差异程度的增大而增大9.3 多元线性回归分析9.3.1 多元回归模型(multiple regression model)一. 一个因变量与两个及两个以上自变量的回归二. 描述因变量 y 如何依赖于自变量 x1 ， x2 ， xp 和误差项 e 的方程，称为多元回归模型三. 涉及 p 个自变量的多元回归模型可表示为1) b0 ，b1，b2 ，bp是参数2) e 是被称为误差项的随机变量3) y 是x1,，x2 ， ，xp 的线性函数加上误差项e 4) e 包含在y里面但不能被p个自变量的线性关系所解释的变异性四. 基本假定1) 误差项是一个期望值为0的随机变量，即E(e)=02) 对于自变量x1，x2，xp的所有值，e的方差s2都相同3) 误差项是一个服从正态分布的随机变量，即N(0,s2)，且相互独立五. 多元回归方程 (multiple regression equation)1) 描述因变量 y 的平均值或期望值如何依赖于自变量 x1， x2 ，xp的方程2) 多元线性回归方程的形式为E( y ) = b0+ b1x1 + b2x2 + bpxp b1，b2，bp称为偏回归系数 bi 表示假定其他变量不变，当 xi 每变动一个单位时，y 的平均变动值六. 估计的多元回归的方程(estimated multiple regression equation)1) 用样本统计量估计回归方程中的参数时得到的方程2) 由最小二乘法求得3) 一般形式为 是的估计值 是 y 的估计值9.3.2 多元线性回归模型评估一. 模型的整体检验1) 检验因变量与所有自变量之间的线性关系是否显著，被称为模型的整体检验2) 检验方法是将回归离差平方和(SSR)同剩余离差平方和(SSE)加以比较，应用 F 检验来分析二者之间的差别是否显著3) 如果是显著的，因变量与自变量之间存在线性关系4) 如果不显著，因变量与自变量之间不存在线性关系5) 模型的整体检验步骤 提出假设H0：b1=b2=bp=0 线性关系不显著H1：b1，b2，bp至少有一个不等于0 计算检验统计量F： 确定显著性水平a和分子自由度p、分母自由度n-p-1找出临界值Fa 作出决策：若FF a，拒绝H0二. 回归系数的显著性检验1) 线性关系检验通过后，对各个回归系数有选择地进行一次或多次检验2) 究竟要对哪几个回归系数进行检验，通常需要在建立模型之前作出决定3) 对回归系数检验的个数进行限制，以避免犯过多的第一类错误(弃真错误) 4) 对每一个自变量都要单独进行检验5) 应用 t 检验统计量6) 步骤 提出假设H0： bi = 0 (自变量 xi 与 因变量 y 没有线性关系) H1： bi 0 (自变量 xi 与 因变量 y有线性关系) 计算检验的统计量 t： 确定显著性水平a，并进行决策： tt2/a，拒绝H0； t1，增长率随着时间t的增加而增加iii. 若b0，b1，趋势值逐渐降低到以0为极限c) a、b 的求解方法i. 采取“线性化”手段将其化为对数直线形式ii. 根据最小二乘法，得到求解 lga、lgb 的标准方程为iii. 求出lga和lgb后，再取其反对数，即得算术形式的a和b 趋势线的选择a. 观察散点图b. 根据观察数据本身，按以下标准选择趋势线c. 一次差大体相同，配合直线d. 二次差大体相同，配合二次曲线e. 对数的一次差大体相同，配合指数曲线f. 比较估计标准误差10.3.3 季节变动分析一. 指客观现象因受自然或社会因素影响，而形成的有规律的周期性变动。二. 不仅仅是指随一年中四季而变动，而是泛指有规律的、按一定周期（年、季、月、日）重复出现的变化三. 目的：1) 分析过去，为当前决策提供依据2) 为未来季节变动作出预测，以便提前作出合理安排3) 了解季节以外因素对数列的影响四. 季节指数(seasonal index)1) 刻画序列在一个年度内各月或季的典型季节特征2) 以其平均数等于100%为条件而构成3) 反映某一月份或季度的数值占全年平均数值的大小4) 如果现象的发展没有季节变动，则各期的季节指数应等于100%5) 季节变动的程度是根据各季节指数与其平均数(100%)的偏差程度来测定 如果某一月份或季度有明显的季节变化，则各期的季节指数应大于或小于100%五. 季节指数计算步骤1) 计算移动平均值(季度数据采用4项移动平均，月份数据采用12项移动平均)，并将其结果进行“中心化”处理 将移动平均的结果再进行一次二项的移动平均，即得出“中心化移动平均值”(CMA)2) 计算移动平均的比值，也成为季节比率 即将序列的各观察值除以相应的中心化移动平均值，然后再计算出各比值的季度(或月份)平均值，即季节指数3) 季节指数调整 各季节指数的平均数应等于1或100%，若根据第二步计算的季节比率的平均值不等于1时，则需要进行调整a. 具体方法是：将第二步计算的每个季节比率的平均值除以它们的总平均值 10.3.4 循环变动分析一. 循环变动1) 近乎规律性的从低至高再从高至低的周而复始的变动2) 不同于趋势变动，它不是朝着单一方向的持续运动，而是涨落相间的交替波动3) 不同于季节变动，其变化无固定规律，变动周期多在一年以上，且周期长短不一4) 时间长短和波动大小不一，且常与不规则波动交织在一起，很难单独加以描述和分析 二. 分析方法：剩余法1) 先消去季节变动，求得无季节性资料2) 再将结果除以由分离季节性因素后的数据计算得到的趋势值，求得含有周期性及随机波动的序列3) 将结果进行移动平均(MA) ，以消除不规则波动，即得循环波动值 C = MA ( C I )三. 步骤1) 第一步：分离季节因素 将季节性因素从时间序列中分离出去，以便观察和分析时间序列的其他特征 方法是将原时间序列除以相应的季节指数 结果即为季节因素分离后的序列，它反映了在没有季节因素影响的情况下时间序列的变化形态 2) 第二步：进行趋势分析，消除趋势部分 根据分离季节性因素的序列确定线性趋势方程 根据趋势方程计算各期趋势值 根据趋势方程进行预测a. 该预测值不含季节性因素，即在没有季节因素影响情况下的预测值b. 如果要求出含有季节性因素的销售量的预测值，则需要将上面的预测值乘以相应的季节指数 第11章 统计指数11.1 指数的概念与分类 一. 指数(index number)1) 指数最早起源于测量物价的变动2) 广义上，是指任何两个数值对比形成的相对数3) 狭义上，是指用于测定多个项目在不同场合下综合变动的一种特殊相对数4) 实际应用中使用的主要是狭义的指数 二. 分类指数的分类按内容分按考察范围分按计算形式分按编制方式分综合指数平均指数简单指数加权指数个体指数总指数数量指数质量指数1) 数量指数(quantitative index number)反映物量变动水平 如产品产量指数、商品销售量指数等2) 质量指数(qualitative index number) 反映事物内含数量的变动水平 如价格指数、产品成本指数等3) 个体指数(individual index number) 反映个别项目的数量对比关系 如一种商品的价格或销售量的变动4) 总指数(total index number) 反映总体现象的数量对比关系 如多种商品的价格或销售量的综合变动5) 简单指数(simple index number) 计入指数的各个项目的重要性视为相同6) 加权指数(weighted index number) 计入指数的项目依据重要程度赋予不同的权数7) 综合指数(aggregative index number) 采用“先综合，后对比”的方式来编制的总指数8) 平均指数(average index number) 采用“先对比，后平均”的方式来编制的总指数11.2 加权总指数的编制方法11.2.1 权数的确定一. 根据现象之间的联系确定权数1) 计算数量指数时，应以相应的质量为权数 2）计算质量指数时，应以相应的物量为权数二. 确定权数的所属时期1) 可以都是基期，也可以都是报告期 2）使用不同时期的权数，计算结果和意义不同2) 取决于计算指数的预期目的三. 确定权数的具体形式1) 可以是总量形式，也可以采取比重形式 2）取决于所依据的数据形式和计算方法11.2.2 加权综合指数一. 通过加权来测定一组项目的综合变动二. 有加权数量指数和加权质量指数1) 数量指数 测定一组项目的数量变动 如产品产量指数，商品销售量指数等2) 质量指数 测定一组项目的质量变动 如价格指数、产品成本指数等三. 因权数不同，有不同的计算公式1) 拉氏指数(Laspeyres index) 计算指数时，将权数的各变量值固定在基期 计算公式为：a. 质量指数：b. 数量指数：【例】设某粮油零售市场2001年和2002年三种商品的零售价格和销售量资料如下表。试分别以基期销售量和零售价格为权数，计算三种商品的价格综合指数和销售量综合指数 某粮油零售市场三种商品的价格和销售量商品名称计量单位销售量单价(元)2001200220012002粳米吨12015026003000标准粉吨15020023002100花生油公斤150016009.810.5价格综合