《时间序列实验指导书正文.docVIP

实验一 一、实验目的 通过本实验，使学生 （1）掌握时序图的绘制方法； （2）能够判断时间序列的平稳性； （3）能够检验时间序列的纯随机性。 二、实验要求 根据数据作图，采用时序图检验和自相关图直观判断序列是否平稳，利用LB统计量检验时间序列是否为纯随机性序列，并按具体的题目要求完成实验报告。 三、实验内容 实验题目：1945-1950年费城月度降雨量数据如下（单位：mm），见下表。 69.3 80.0 40.9 74.9 84.6 101.1 225.0 95.3 100.6 48.3 144.5 128.3 38.4 52.3 68.6 37.1 148.6 218.7 131.6 112.8 81.8 31.0 47.5 70.1 96.8 61.5 55.6 171.7 220.5 119.4 63.2 181.6 73.9 64.8 166.9 48.0 137.7 80.5 105.2 89.9 174.8 124.0 86.4 136.9 31.5 35.3 112.3 143.0 160.8 97.0 80.5 62.5 158.2 7.6 165.9 106.7 92.2 63.2 26.2 77.0 52.3 105.4 144.3 49.5 116.1 54.1 148.6 159.3 85.3 67.3 112.8 59.4 （1） 计算该序列的样本自相关系数（k=1,2,……,24）。 （2） 判断该序列的平稳性。 （3） 判断该序列的纯随机性。 实验步骤： 第一步： 编程建立SAS数据集。 第二步： 利用Gplot程序对数据绘制时序图。 第三步： 从时序图中利用平稳时间序列的定义判断是否平稳。 第四步： 利用ARIMA程序对数据进行分析，根据输出的Identify语句中的样本自相关图，由平稳时间序列的特性判断是否平稳。 第五步： 根据输出的Identify语句中的纯随机检验结果，利用LB统计量和白噪声特性检验时间序列是否为纯随机序列。 实验二 ARMA模型的应用 一、实验目的 通过本实验，使学生能够运用SAS统计软件，对给出实际问题的平稳时间序列通过模型识别、参数估计、模型检验、模型优化等过程，建立符合实际的时间序列模型，并预测将来。 二、实验要求 处理数据，掌握平稳时间序列的ARMA模型的建模过程和方法，并根据具体的实验题目要求完成实验报告。 三、实验内容 实验题目：某地区连续74年的谷物产量（单位：千吨）如下： 0.97 0.45 1.61 1.26 1.37 1.43 1.32 1.23 0.84 0.89 1.18 1.33 1.21 0.98 0.91 0.61 1.23 0.97 1.10 0.74 0.80 0.81 0.80 0.60 0.59 0.63 0.87 0.36 0.81 0.91 0.77 0.96 0.93 0.95 0.65 0.98 0.70 0.86 1.32 0.88 0.68 0.78 1.25 0.79 1.19 0.69 0.92 0.86 0.86 0.85 0.90 0.54 0.32 1.40 1.14 0.69 0.91 0.68 0.57 0.94 0.35 0.39 0.45 0.99 0.84 0.62 0.85 0.73 0.66 0.76 0.63 0.32 0.17 0.46 判断该序列的平稳性与纯随机性。 选择适合模型拟合该序列的发展。 （3） 利用拟合模型，预测该地区未来5年的谷物产量。 实验步骤： 第一步：编程建立SAS数据集。 第二步：利用Gplot程序对数据绘制时序图。 第三步：从时序图中利用平稳时间序列的定义判断是否平稳？利用ARIMA程序对数据进行分析，根据输出的Identify语句中的样本自相关图，由平稳时间序列的特性判断是否平稳？ 第四步：根据输出的Identify语句中的纯随机检验结果，利用LB统计量和白噪声特性检验时间序列是否为纯随机序列？ 第五步：在序列判断为平稳非白噪声序列后，求出该观察值序列的样本自相关系数（ACF）和样本偏自相关系数（PACF）的值。 第六步：根据样本自相关系数和偏自相关系数的性质，选择阶数适当的ARMA（p, q）模型进行拟合。 第七步：估计模型中未知参数的值。 第八步：检验模型的有效性。如果拟合模型通不过检验，转向步骤6，重新选择模型再拟合。 第九步：模型优化。如果拟合模型通过检验，仍然转向步骤2，充分考虑各种可能建立多个拟合模型，从所有通过检验的拟合模型中选择最优模型。 第十步：利用最优拟合模型，预测序列的将来走势。实验三 一、实验目的 通过本实验，使学生能够利用SAS统计软件，对给出实际问题的非平稳时间序列进行分析，掌握非平稳时间序列的确定性部分的分离方法，