王燕时间序列分析第五章SAS程序.docx

第一题data yx_51;input x@@;difx=dif(x);t=1+_n_-1;cards;304303307299296293301293301295284286286287284 282278281278277279278270268272273279279280275 271277278279283284282283279280280279278283278 270275273273272275273273272273272273271272271273277274274272280282292295295294290291288288 290293288289291293293290288287289292288288285 282286286287284283286282287286287292292294291 288289;proc gplot;plot x*t=1 difx*t=2;symbol1 c=red v=circle i=join;symbol2 c=yellow v=star i=join;run;proc arima;identify var=x(1);estimate p=1;run;结果如下时序图：一阶差分后时序图:通过原始数据的时序图可以明显看出，此序列非平稳，因而对序列进行一阶差分。从一阶差分后的自相关图可以看出，一阶差分后的序列的自相关系数一直都比较小，始终控制在二倍标准差以内，可以认为一阶差分后的序列始终都在零轴附近波动，因而可以认为一阶差分后的序列为随机性很强的平稳序列，另外通过一阶差分后的时序图也可以看出，一阶差分后的序列平稳，且LB统计量对应的P值大于α=0.05，因而认为一阶差分后的序列为白噪声序列。由于一阶差分后的序列为平稳的白噪声序列，因而此时间序列拟合ARIMA（0,1,0）模型，即随机游走模型，模型为：Xt=xt-1+εt所以下一期的预测值为289第二题data yx_52;input x@@;t=1949+_n_-1;difx=dif(x);cards;5589.00 9983.00 11083.00 13217.00 16131.0019288.0019376.0024605.0027421.0038109.0054410.0067219.0044988.0035261.0036418.0041786.0049100.0054951.0043089.0042095.0053120.0068132.0076471.0080873.0083111.0078772.0088955.0084066.009530900111893001076730011878400130709001406530015148900152893001627940016598200172149001675540019318900224248002692960031423700;proc gplot;plot x*t=1 difx*t=2;symbol1 c=orange v=circle i=none;symbol2 c=blue v=star i=join;proc arima;identify var=x(1);estimate q=1;forecast lead=5 id=t;run;时序图：从时序图可以看出，时间序列非平稳，且随着时间而呈现明显的上升趋势，因而对序列采用一阶差分：一阶差分后的时序图:通过原始数据的时序图可以明显看出，此序列非平稳，随着时间呈现上升趋势，因而对序列进行一阶差分。从一阶差分后的自相关图可以看出，一阶差分后的序列的自相关系数一阶截尾，拟合ARIMA(0，1，1)模型， 得到模型：Xt-Xt-1=(1+0.48349B) εt残差的检验显示，残差序列通过白噪声检验，参数显著性检验显示参数显著，说明模型拟合良好，对序列相关信息提取充分。得到2009~2013年铁路货运量的预测结果如下：铁路货运与测量2009337276.98372010342813.63362011348350.28362012353886.93362013359423.5835第三题;data yx_53;input x@@;difx=dif(dif12(x));t=intnx('month','01jan1973'd,_n_