SAS与始氨间序列预测.pptx

SAS与时间序列预测模型第一章 时间序列模型介绍简介时间序列预测法是一种历史资料延伸预测，也称历史引伸预测法。是以时间数列所能反映的社会经济现象的发展过程和规律性，进行引伸外推，预测其发展趋势的方法。分解经济时间序列的变化受到长期趋势、季节变动、周期变动和不规则变动这四个因素的影响。其中：（1） 长期趋势因素（T）： 反映了经济现象在一个较长时间内的发展方向，它可以在一个相当长的时间内表现为一种近似直线的持续向上或持续向下或平稳的趋势。（2） 季节变动因素（S）：是经济现象受季节变动影响所形成的一种长度和幅度固定的周期波动。（3） 周期变动因素（C）：周期变动因素也称循环变动因素，它是受各种经济因素影响形成的上下起伏不定的波动。（4） 不规则变动因素（I）：不规则变动又称随机变动，它是受各种偶然因素影响所形成的不规则变动。模型（1）加法模型：Y=T+S+C+I（2）乘法模型：Y=T*S*C*I第二章 时间序列模型建模步骤第一步，模型识别时间序列平稳性检验：如果一个时间序列的概率分布与时间无关，则成为平稳序列。时间序列平稳化和零均值化：时间序列预测模型是建立在平稳序列的基础上的，由于日常所见的数据序列大多是非平稳序列，故需要转换为平稳序列，转换后需要进行零均值化处理。自回归模型（AR模型）、移动平均模型（MA模型）和自回归移动平均模型（ARMA模型）阶数识别，确定模型阶数p和q值：AR模型：某个观测值Xt与其滞后p期的观测值的线性组合再加上随机误差项，即：Xt= φ1Xt-1+φ2Xt-2+……+φpXt-p+at；MA模型：某个观测值Xt与先前t-1,t-2,t-q个时刻进入系统的q个随机误差项即at，at-1，……，Xt-q的线性组合，即：Xt= at-θ1at-1-θ2at-2-……-θqXt-q；ARMA模型：即观测值不仅与其以前p个时刻的自身观测值有关，而且还与其以前时刻进入系统的q个随机误差存在一定的依存关系，即Xt= φ1Xt-1+φ2Xt-2+……+φpXt-p+at-θ1at-1-θ2at-2-……-θqXt-q。第二步，参数估计确定p、q值后，运用最大似然、最小二乘法等算法估计模型参数（φi 和θj，i=1,2,…,p;j=1,2,……,q）值。第二步，模型预测利用显著的模型对时间序列进行预测。第三章 时间序列模型实现过程（SAS）模型识别参数估计模型预测SAS代码观察时间序列曲线（趋势、季节性、周期性）proc gplot data=a;plot x*time ;symbol c=red i=spline v=dot;run;平稳性检验（ proc arima ）identify var=x nlag=30; /*初始变量平稳性检验*/identify var=x(m) nlag=30;/*---1阶差分检验：t时刻与t-m时刻差分，nlag=?，最多滞后？项*/identify var=x(m,n) nlag=30;/*---2阶差分检验： t时刻与t-m时刻差分后，再将差分数据做n差分*/run;SAS结果曲线（趋势、季节性、周期性）平稳性检验（白噪声、相关系数等）白噪声检验：原假设：一阶差分值是白噪声。n阶差分的ACF(自相关系数)、PACF（偏自相关系数）和IACF第三章 时间序列模型实现过程（SAS）模型识别参数估计模型预测模型识别ACF和PACF图形识别：计算扩展的样本自相关函数并利用其估计值进行模型识别：SAS 语句：Identify var=sales(1) esacf p=(0:6) q=(0:6); /*对sales 一阶差分进行扩张样本自相关系数估计值模型识别，指定p和q的最小值均为0，最大值均为6*/结果：自相关系数图（ACF图）偏自相关系数图（PACF图）模型识别结果q阶截尾拖尾MA(q)拖尾p阶截尾AR(p)拖尾拖尾ARMA在ACF图和PACF图都拖尾的情况下，ARMA模型中的p、q参数还需要进一步进行确定p、q的最优选择值从上至下排列扩张样本自相关系数估计值第三章 时间序列模型实现过程（SAS）模型识别参数估计模型预测模型识别利用最小信息准则进行模型识别：SAS 语句：Identify var=sales(1) minic p=(0:6) q=(0:6); /*对sales 一阶差分进行minic识别，指定p和q的最小值均为0，最大值均为6*/结果：BIC信息指数和最优选择利用典型相关系数平方估计值进行模型识别：SAS 语句：Identify var=sales(1) scan p=(0:6) q=(0:6); /*对sales 一阶差分进行scan识别，指定p和q的最小值均为0，最大值均为6*/结果：与扩展的样本自相关函数估计值类似，给出各类模型之间的典型相关系数平方估计值和