时间序列分析(SAS)第3章.docVIP

佛山科学技术学院 应 用 时 间 序 列 分 析 实 验 报 告 实验名称 第三章 平稳时间序列分析 专业班级 10数学与应用数学 姓 名 林敏杰 学 号 2010214222 一、上机练习 程序及其结果分析： data ex3_1; input x@@; time=_n_; cards; 0.30 -0.45 0.36 0.00 0.17 0.45 2.15 4.42 3.48 2.99 1.74 2.40 0.11 0.96 0.21 -0.10 -1.27 -1.45 -1.19 -1.47 -1.34 -1.02 -0.27 0.14 -0.07 0.10 -0.15 -0.36 -0.50 -1.93 -1.49 -2.35 -2.18 -0.39 -0.52 -2.24 -3.46 -3.97 -4.60 -3.09 -2.19 -1.21 0.78 0.88 2.07 1.44 1.50 0.29 -0.36 -0.97 -0.30 -0.28 0.80 0.91 1.95 1.77 1.80 0.56 -0.11 0.10 -0.56 -1.34 -2.47 0.07 -0.69 -1.96 0.04 1.59 0.20 0.39 1.06 -0.39 -0.16 2.07 1.35 1.46 1.50 0.94 -0.08 -0.66 -0.21 -0.77 -0.52 0.05 ; proc gplot data=ex3_1; plot x*time=1; symbol1 c=red I=join v=star; run; 结果分析： 上图是数据对应的时序图，从图上曲线分析来看，数据并没有周期性或者趋向性规律，因而可以初步判断这是平稳数列。 proc arima data=ex3_1; identify Var=x nlag=8; run; 结果分析： 本过程中，我们建立了8阶自回归分析模型，图上依次是变量的描述性统计量、样本自相关图、样本逆相关图和样本偏自相关图。由于本次实验探究的是平稳序列，因而样本逆相关图先不作分析。 从自相关图来看，自相关系数趋于0的速度是比较快的，再结合时序图来看，可以确定这组数列是属于平稳数列。 从最后的纯随机检验结果分析来看，P0.0001，因而这是非白噪声序列。综上所述，该数列是平稳非白噪声序列，因为我们可以建立ARMA模型，对数据进行拟合。 首先观察自相关图和偏自相关图，从这两图来看，自相关图是4阶截尾的，而篇相关系数是拖尾的。因而我们可以考虑建立MA（4）模型，为了避免个人经验不足而导致模型建立错误，我们可以通过计算机来判断确定。 proc arima data=ex3_1; identify Var=x nlag=8 minic p=(0:5) q=(0:5); run; 结果分析： 从上图可以看出，在众多模型中，MA（4）模型的BIC信息量是最小的，因而我们接下来会采用MA（4）模型来进行分析，这与我们上面人工判断分析的结果也是吻合的。 estimate q=4; run; 结果分析： 以上是我们建立的MA（4）模型中的参数结果。其中，我们可以看出，常数项对应的t统计量的P值是0.9968，它是0.05的，也就说明它是不显著的，而其他参数均是显著的，为了使模型拟合得更优，我们应该除去常数项，再进行模型分析比较。 estimate q=4 noint; run; 结果分析: 以上是我们删去了常数项之后的结果。从上述参数分析来看，所有的参数的t检验统计量的P值都是0.001的，因而它们都是显著的。 因而我们建立了MA(4)模型如下： forecast lead=5 id=time out=results; run; 结果分析： 以上是我们对数据进行了5期的预测，其预测数据均可以从上图中看出来。其中，数据从左往右分别表示序列值的序号、预测值、预测值的标准差、95%的置信下限和95%的置信上限。以下我们把这些预测的数据用图来表现出来： proc gplot data=results; plot x*time=1 forecast*time=2 l95*time=3 u95*time=3/overlay; symbol1 c=black i=none v=star; symbol2 c=red i=join v=none; symbol3 c=green i=join v=none l=32; run; 结果分析： 该图为预测的图像，其中，红色线段表示预测出