数学建模论文-基于SAS分析固定资本形成总额变化趋势的研究参考.docVIP

基于SAS分析固定资本形成总额变化趋势的研究 一.前言 固定资本形成总额是常住单位在一定时期内获得的减去处置的固定资产加存货的变动,包括和存货增加。分有形固定资产形成总额和无形固定资产形成总额小，因此，拒绝原假设，认为该序列为非白噪声序列。所以，对该序列建模是有意义的。 模型的建立及模型的检验 （一）模型的相对最优定阶： proc arima data=a; identify var=dif nlag=12 minic p=(0:5) q=(0:5); /*自相关P延迟阶数在0到5之间，偏自相关q阶数在0到5之 间所有ARMA（p q）模型BIC信息量，并显示最小值*/ run; 图11 由图11可得，在自相关延迟阶数小于等于5，移动平均延迟阶数也小于等于5的所有ARMA（p,q）模型中，BIC信息量相对最小是ARMA(4，1)模型。 （二）参数估计： 输入的代码如下： estimate p=4 q=1; /*用极大似然估计法对MA（4,1）模型参数估计*/ run; 图12 由图12可知，MU、MA(1，1)、MA(1，2)、MA(1，3)、MA(1，4)、MA(1，5)、AR（1，1）、AR（1,2）、 AR（1，3）、AR（1，4）均大于0.05，所以通过观察样本的自相关图和偏自相关图确立最优模型，因为样本自相关图是3阶截尾，偏自相关图是3阶截尾所以，我们可以选择MA（3）,AR（3）这两个模型来确定解释变量的最优模型。 模型一：MA(3) 输入的代码如下： estimate q=3; run; 图13 由图可以看到参数的估计方法为条件最小二乘估计法；由图可以得出参数估计结果显示均值MA（1,2）和MA（1,3）不显著（ｔ检验统计量的Ｐ值均大于0.05），而MU,MA（1，1）显著。所以选择NOINT选项，并且取MA(0 1)作为拟合模型（变为疏系数模型），再次估计未知参数的结果。输入的命令如下 输入的代码如下： estimate q=（0 1）method=cls noint; run; 图14 由图14可以得出参数估计结果显示MA(1，1)显著，即ｔ检验统计量的Ｐ值小于0.05，所以模型通过了显著性检验。 图15 通过图15拟合优度统计量表可以看出相关统计量，这些统计量可以帮助比较该模型和其他模型的优劣。AIC和SBC函数值的大小分别为203.3658和204.7998；“Numbers of Residuals”表示的是残差个数，本例残差个数为31个。 图16 通过图16残差序列检验值表来检验残差序列是否为白噪声序列，从而检验模型的显著性。由表可以看出延迟6、12、18和24期的P值都明显大于0.05，认为残差序列为白噪声序列，并认为模型拟合良好。 图17 模型二：AR(3) 输入的代码如下 estimate p=3; run; 图18 由图18可以看到参数的估计方法为条件最小二乘估计法；由图可以得出参数估计结果显示均值MU不显著（ｔ检验统计量的Ｐ值均大于0.05），而AR1,1和AR1,2和AR1,3显著。所以选择NOINT选项，并且取AR(0 1 2 3)作为拟合模型（变为疏系数模型），再次估计未知参数的结果。输入的命令如下： 输入的代码如下： estimate p=(0 1 2 3) method=cls noint; run; 图19 由图19可以得出参数估计结果显示AR(1，1)显著，即ｔ检验统计量的Ｐ值均小于0.05，所以模型通过了显著性检验。 图20 通过图20拟合优度统计量表可以看出相关统计量，这些统计量可以帮助比较该模型和其他模型的优劣。AIC和SBC函数值的大小分别为204.1183和208.4203；“Numbers of Residuals”表示的是残差个数，本例残差个数为31个。 图21 图22 两个模型相比较下，AR(3)模型更好。 图22输出的是拟合模型的具体形式。在本图下一部分显示的是自相关因子。得到的模型表达式如下： 四、模型的预测 预测的输入语句如下： proc arima data=C; identify Var=X5(1,1,1) nlag=11 minic p=(0:5) q=(0:5); estimate p=(1 2 3) noint;/*用极大似然估计法对AR（1 2 3）模型参数估计*/ forecast lead=3 id=time out=results; /*对序列进行