时间序列分析报告4.docVIP

《时间序列分析》 课 程 实 验 报 告 项目名称： 非平稳序列随机性分析 组员姓名： 黄凤 指导教师： 牛宪华 完成日期： 2014 年 4 月 10 日 上机练习（P189） 要求：1. 对程序进行注释； 2. 对结果进行分析说明。 5.8.1 拟合ARIMA模型 data example5_1; /*定义一个临时数据集*/ input x@@;/*定义变量x，并且将数据挨着赋给x*/ difx=dif(x);/*对变量x进行1阶差分，差分后的序列值赋给变量difx*/ t=_n_;/*定义时间变量t*/ cards;/*输入数据集*/ 1.05 -0.84 -1.42 0.20 2.81 6.72 5.40 4.38 5.52 4.46 2.89 -0.43 -4.86 -8.54 -11.54 -16.22 -19.41 -21.61 -22.51 -23.51 -24.49 -25.54 -24.06 -23.44 -23.41 -24.17 -21.58 -19.00 -14.14 -12.69 -9.48 -10.29 -9.88 -8.33 -4.67 -2.97 -2.91 -1.86 -1.91 -0.80 ; proc gplot; /*绘制时序图*/ plot x*t; /*定义x为纵坐标，t为横坐标*/ symbol v=star c=black i=join;/*观察值图形为星号，图线为黑色，观察值间连接*/ run; /*运行*/ proc gplot; plot x*t difx*t; /*分别做出以x为纵坐标，t为横坐标；difx为纵坐标，t为横坐标的图形*/ symbol v=star c=black i=join; proc arima; /*arima程序分析*/ identify var=x(1); /*输出变量(1)描述性统计，样本自相关和偏自相关图，样本逆自相关图，纯随机检验结果*/ estimate p=1; /*参数估计AR(1)模型*/ estimate p=1 noint; /*不要常数项参数估计AR(1)模型*/ forecast lead=5 id=t; /*预测5期的结果，时间变量标识为t*/ run; 分析： 序列x时序图 由于不在一常数附近波动，故为非平稳序列。 序列difx时序图 显示在一常数附近波动，且有周期性，故平稳。 样本自相关图 显示1阶差分后序列自相关系数不截尾。 偏自相关图 显示偏自相关系数1阶截尾。 纯随机性检验结果 显示序列纯随机性检验的P值小于0.05，故该序列为非白噪声序列。 故综上，我们知道一阶差分后序列difx为平稳非白噪声序列，且具有显著的自相关系数不截尾、偏自相关系数1阶截尾的性质。 残差白噪声检验图 结果显示延迟6，12，18，24阶LB检验统计量的P值均显著大于0.05，故该AR(1)模型通过LB检验，显著有效。 参数估计AR模型的参数估计及显著性检验结果图 显示AR模型两参数检验结果，结果显示常数项MU参数t统计量的P值0.7568大于0.05，该参数不显著；AR1,1参数t统计量的P值小于0.05，表明该参数显著。综上，即拟合出的AR模型需改进。 去掉常数项拟合AR模型的残差白噪声检验图 结果显示延迟6，12，18，24阶LB检验统计量的P值均显著大于0.05，故去掉常数项拟合AR(1)模型通过LB检验，显著有效。 去掉常数项拟合AR模型的参数估计及显著性检验结果图 显示AR（1）模型唯一参数显著有效，且估计值为0.66933。 利用去掉常数项拟合AR模型预测5期结果及标准差，95%置信区间图 5.8.2 拟合Auto-Regressive模型 在SAS系统中有一个AUTOREG程序，可以进行残差自回归模型拟合。以临时数据example5_2的数据为例，对相关命令进行注释。 一、建立数据集，绘制时序图 data example5_2; /*定义一个临时数据集*/ input x@@;/*定义变量x，并且将数据挨着赋给x*/ t=_n_;/*定义时间变量t*/ lagx=lag(x); /*使用延迟函数生成序列x的1阶延迟序列*/ cards; 3.03 8.46 10.22 9.80 11.96 2.83 8.43 13.77 16.18 16.84 19.57 13.26 14.78 24.48 28.16 28.27 32.62 18.44 25.25 38.36 43.70 44.46 50.66 33.01 39.97 6