SAS 软件对商品销售额的预测分析.docVIP

SAS 软件对商品销售额的预测分析 摘　要:文章运用SAS 软件系统中的一些时间序列建模方法及回归分析方法对某商品的月销售额作了预测分析,得到了较高的预测精度,在实际应用中预测值的准确对于指导商家的战略决策起着重要作用。 关键词:SAS;ARMA 模型;非平稳时间序列 SAS 是STATISTICAL ANAL YSIS SYSTERM即统计分析系统的英文缩写,它是目前世界上应用最广泛的数据分析软件之一,不仅具有强大的统计功能及较好的人机交互性,而且提供了多种友好的用户界面,广泛适用于农业科学、生物科学、经济学、社会科学及医疗卫生等领域的数据分析。本文通过具体实例,通过商品月销售数据,讲讲如何用SAS软件进行时间序列建模及回归预测分析。 某商品的月销售额见表1 ,假定1991～1995 年作为建模数据,1996 年的数据作检验模型的预测效果。 一、非平稳时间序列的处理 首先,分析数据,检验时间序列。 最直观和常用的方法就是绘制数据图,如图1 所示。 由图1 及表1 ,数据具有增长趋势和周期性, ,且周期为12 个月, 可见序列为非平稳序列。 去除周期性的方法是用本次数据和时间相差为周期数的上期数据相减,作为新的数据值。 公式为: Yt = Xt - Xt - 12 由于时间序列具有增长趋势,再选择差分运算。公式为: Zt = Yt - Yt – 1 二、ARMA 模型的建立与参数估计 SAS 程序: [1～2 ] 1.1建立数据集 data zhuozhu. a ; input n b ; cards ; 输入数据 run ; 2.1 绘制商品除去周期性影响的月份销售额图 proc print data = zhuozhu. a ; var b ; proc gplot data = zhuozhuo. a ; symbol i = spline c = red ; plot b 3 n ; run ; 3.1 计算自相关和偏自相关系数 proc arima date = zhuozhu. a ; identify var = b nlag = 10 outcov = expl ; run ; proc gplot data = expl ; symbol i = needle width = 6 ; plot corr 3 lag ; run ; proc gplot data = expl ; symbol i = needle width = 6 ; plot partcorr 3 lag ; 4.1 估计模型参数 proc arima date = zhouzhu. a ; identify var = b nlag = 10 ; run ; estimate p = 2 ; run ; 5.1 预测 forecast lead = 12 out = out ; run ; proc print data = out ; run ; 由于ARMA 模型只能分析0～1 均值化的时间序列,而计算出序列的均值为0. 000 012 5 ,表明对序列的影响很小,故忽略不计,认为数据是均值化的。根据ARMA 模型的自相关和偏相关分析法编写SAS 程序,识别模型的阶数、相关系数和偏相关系数,SAS 程序如第1 ,2 ,3 步所写,分析结果见图2 。 经过自相关分析图分析,自相关系数ρk 的取值范围在置信区间内, 可见序列是一随机列,而且当k 3 时,ρk 在零值附近上下波动,可见序列是一平稳列。当偏自相关系数φkk 2时,取值都在内,且有收敛到零的趋势,根据定阶准则,证明符合AR(2) 模型。模型参数的估计使用最小二乘法,用统计软件SAS 分析(SAS 程序中的第4 步) ,结果如表3 , 于是写出如下模型: Zt = - 0. 00988 - 0.57615Yt - 1- 0.39032Yt – 2 三、时间序列的预测 用建立的方程预测该商品1996 年的月消费额(SAS 程序中的第5 步) 输出结果为表4 中的^Zt ,相对误差= ( ^Xt - Xt) / Xt ,分析结果见表4 。从表4 中可以看到,模型拟合的特别好,预测值接近真实值。 本文所用的SAS 系统具有完备的数据访问、管理、分析和呈现功能,在数据处理与统计分析领域被誉为国际上的标准软件。文中基于SAS/ ETS 软件所作的时间序列分析方便而且灵活,并达到了较高的预测精度,所有的计算在数分钟内即可完成,从而便于推广应用及进一步改进模型。新的数据出来后,只要分别将其加入本文所编写的SAS 程序当中,分别运行即可自动算出由ARIMA 方法给出的预测值及由逐步自回归方法给出的预测值,此外,用SAS 软件系统还可以进行中长期预测及多元时间序列分析,因而它有着广泛的应用