时序第五章作业.docxVIP

袁宏宇09统计2班25号第1题、从时序图可以看出，样本序列为非平稳序列，进一步对样本序列进行白噪声检验：从白噪声检验可以看出，P值均较小，故可认为该样本序列为非白噪声序列。从样本自相关图与样本偏自相关图中可以看出，有两种可能的估计：一种为自相关系数呈7阶截尾，偏自相关系数呈1阶截尾，不过样本自相关系数在第7阶后落入两倍标准误内，且系数递减到零的速度相当缓慢，故判断序列为非平稳非白噪声序列，样本偏自相关系数在第7阶临近两倍标准误，故另一种为自相关系数7阶截尾和偏自相关系数拖尾，对非平稳序列进行一阶差分后，可尝试拟合ARIMA（1，1，2），ARIMA（1，1，1），ARIMA（0，1，0）模型。对ARIMA（1，0，1）模型，残差白噪声检验显示延迟各阶LB检验统计量的P值均显著大于0.05，证明拟合模型效果显著，但模型的参数检验中，有参数没通过显著性检验，故不能用此模型来拟合序列。对ARIMA（1，0，2）模型，残差白噪声检验显示延迟各阶LB检验统计量的P值均显著大于0.05，证明拟合模型效果显著，但模型的参数检验中，有参数没通过显著性检验，故不能用此模型来拟合序列。对ARIMA（0，1，0）模型，既随机游走模型，残差白噪声检验显示延迟各阶LB检验统计量的P值均显著大于0.05，证明拟合模型几乎提取了原序列的相关信息，在模型的参数检验中，常数项没通过显著性检验，故剔除常数项后，用随机游走模型—ARIMA（0，1，0）模型来拟合序列：利用随机游走模型拟合该序列后估计下一天的收盘价为283：第一题的SAS程序datappp;input value @@;difv=dif(value);time=_n_;cards; 304303307299296293301293301295284286286287284 282278281278277279278270268272273279279280275 271277278279283284282283279280280279278283278 270275273273272275273273272273272273271272271 273277274274272280282292295295294290291288288 290293288289291293293290288287289292288288285 282286286287284283286282287286287292292294291 288289 ;procgplotdata=ppp;plotdifv*time;symboli=splinev=star h=1ci=green cv=red;run;procarimadata=ppp;identifyvar=difvnlag=15;estimatep=0q=0noint;forecastlead=1id=t out=out;run;第2题、时序图显示样本序列有明显的随时间线性递增的趋势，同时又有一定的规律性波动，所以不妨考虑使用残差自回归模型（Auto—Regressive）来拟合该序列，该序列为非平稳非白噪声且有趋势效应和周期效应的序列。本例输出结果显示DW统计量为1.0733，输出概率显示残差序列显著正相关，故考虑对残差序列拟合自相关模型：逐步回归向后消除报告显示除了延迟1阶、2阶、4阶的序列值显著自相关外，延迟其他阶数的序列值均不具有显著的自相关性，因此延迟3阶、5阶的自相关项被消除，初步均方误差为1.4111，其中，模型各参数均通过了显著性检验，本例得到的最终拟合模型可为：图三拟合效果图虽然模型通过了检验，从拟合效果图也可以看出拟合效果还算不错，但为了保险起见，我又用延迟因变量回归模型来对原始数据进行拟合。模型系数均通过了显著性检验，拟合模型为：图四拟合效果图从拟合效果图可以看出，拟合效果图图四比拟合效果图图三拟合得更好，且针对本样本数据，延迟因变量回归模型的SBC值也比残差自回归模型的SBC值小，故用延迟因变量回归模型预测下年度该城市月度婴儿出生率如下：第二题的SAS程序datappp;input baby @@;lagb=lag(baby);time=_n_;cards; 26.66323.59826.93124.74025.80624.36424.47723.901 23.17523.22721.67221.87021.43921.08923.70921.669 21.75220.76123.47923.82423.10523.11021.75922.073 21.93720.03523.59021.67222.22222.