(一阶差分后的ARIMA模型.docVIP

一：作出数据的散点图： data cj; input x@@;y=sqrt(abs(x-6590.47));z=dif(y); t=intnx(year,01jan1980d,_n_-1);format t year4.; cards; 4517.8 4862.4 5294.7 5934.5 7171 8964.4 10202.2 11962.5 14928.3 16909.2 18547.9 21617.8 26638.1 34634.4 46759.4 58478.1 67884.6 74462.6 78345.2 82067.5 89442.2 97314.8 118020.7 135822.8 159878.3 183217.4 211923 249530 ; proc gplot;plot x*t y*t z*t;symbol i=join v=dot c=red; proc arima;identify var=y(1) nlag=12 minic p=(0：5) q=(0：5); estimate p=(1) method=cls; forecast lead=5 id=t out=caijing; proc gplot data=caijing; plot y*t=1 forecast*t=2 l95*t=3 u95*t=3/overlay; symbol1 c=blue i=none v=star; symbol2 c=red i=join v=none l=1 w=1; symbol3 c=green i=join v=none l=2 w=2; run; 得到如下图形： 分析｛y｝数据的散点图可以看出其呈现出显著的线性趋势，故对数据进行一阶差分得到｛z｝即｛▽y｝，然后再作出差分后的时间序列的散点图如下： 可以看出数据已大体平稳，下面利用自相关函数进行平稳性检验： 二：平稳性检验 proc arima;identify var=y(1) nlag=12 其自相关函数和偏自相关函数都是截尾的，所以差分后的时间序列是平稳的。同时对数据进行的白噪声结果显示的该数据不是纯随机序列，故后面的研究具有意义和价值。 三：模型的建立： 根据自相关函数和偏自相关函数的特点，进行ARMA 模型的检验 proc arima;identify var=y(1) nlag=12 minic p=(0：5) q=(0：5); 得到如下结果： 根据BIC越小模型拟合的越好的原则，应建立AR(5)模型。 添加程序：estimate p=5 method=cls; 从输出结果可以看出，有些系数不显著，我们进行调整，修改程序为： estimate p=(1) method=cls; 调整后除常数项系数不显著外，其它参数的系数非常显著，而且AIC和BIC也比其他模型的小，另外它的残差检验结果也显示延迟6期时残差数据已近似为纯随机序列，说明数据信息已经充分提取。所以这个模型是适应的，该模型为： 四：预报： 程序如下： forecast lead=5 id=t out=caijing; proc gplot data=caijing; plot y*t=1 forecast*t=2 l95*t=3 u95*t=3/overlay; symbol1 c=blue i=none v=star; symbol2 c=red i=join v=none l=1 w=1; symbol3 c=green i=join v=none l=2 w=2; 得到如下结果： 从上述图形可以看出该模型拟合的比较精准。 我们将产生的中间变量Y的数据输出如下：