时间序列分析上机操作题.docx

20.1971年9月—1993年6月澳大利亚季度常住人口变动（单位：千人）情况如下表。 63.2 67.9 55.8 49.5 50.2 55.4 49.9 45.3 48.1 61.7 55.2 53.1 49.5 59.9 30.6 30.4 33.8 42.1 35.8 28.4 32.9 44.1 45.5 36.6 39.5 49.8 48.8 29 37.3 34.2 47.6 37.3 39.2 47.6 43.9 49 51.2 60.8 67 48.9 65.4 65.4 67.6 62.5 55.1 49.6 57.3 47.3 45.5 44.5 48 47.9 49.1 48.8 59.4 51.6 51.4 60.9 60.9 55.8 58.6 62.1 64 60.3 64.6 71 79.4 59.9 83.4 75.4 80.2 55.9 58.5 65.2 69.5 59.1 21.5 62.5 170 -47.4 62.2 60 33.1 35.3 43.4 42.7 58.4 34.4 问题：（1）判断该序列的平稳性与纯随机性。 （2）选择适当模型拟合该序列的发展。 （3）绘制该序列拟合及未来5年预测序列图。 针对问题一：将以下程序输入SAS编辑窗口，然后运行后可得图1. data example3_1; input x@@; time=_n_; cards; 63.2 67.9 55.8 49.5 50.2 55.4 49.9 45.3 48.1 61.7 55.2 53.1 49.5 59.9 30.6 30.4 33.8 42.1 35.8 28.4 32.9 44.1 45.5 36.6 39.5 49.8 48.8 29 37.3 34.2 47.6 37.3 39.2 47.6 43.9 49 51.2 60.8 67 48.9 65.4 65.4 67.6 62.5 55.1 49.6 57.3 47.3 45.5 44.5 48 47.9 49.1 48.8 59.4 51.6 51.4 60.9 60.9 55.8 58.6 62.1 64 60.3 64.6 71 79.4 59.9 83.4 75.4 80.2 55.9 58.5 65.2 69.5 59.1 21.5 62.5 170 -47.4 62.2 60 33.1 35.3 43.4 42.7 58.4 34.4 ; proc gplot data=example3_1; plot x*time=1; symbol1 c=red I=join v=star; run; 图1 该序列的时序图 由图1可读出：除图中170和-47.4这两个异常数据外，该时序图显示澳大利亚季度常住人口变动一般在在60附近随机波动，没有明显的趋势或周期，基本可视为平稳序列。 再接着输入以下程序运行后可输出五方面的信息。具体见表1-表5. proc arima data= example3_1; identify Var=x nlag=8; run; 表1 分析变量的描述性统计 从表1可读出分析变量的名称、该序列的均值；标准差及观察值的个数（样本容量）。 表2 样本自相关图 由表2可知：样本自相图延迟3阶之后，自相关系数都落入2倍标准差范围以内，而且自相关系数向零衰减的速度非常快，故可以认为该序列平稳。 表3 样本自相关系数 该图从左到右输出的信息分别为：延迟阶数、逆自相关系数值和逆自相关图。 表4 样本偏自相关图 该图从左到右输出信息是：延迟阶数、偏自相关系数值和偏自相关图。 表5 纯随机性检验结果 由上表可知在延迟阶数为6阶时，LB检验统计量的P值很小，所以可以断定该序列属于非白噪声序列。 针对问题二：将IDENTIFY命令中增加一个可选命令MINIC，运行以下程序可得到表6. 表6 IDENTIFY命令输出的最小信息量结果 通过上表可知：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信息量相对最小的是ARMA(1，3)模型。 进行参数估计，输入以下命令，运行可得到表7—表10 estimate p=1 q=3; run; 表7 ESTIMATE命令输出的位置参数估计结果 表8 ESTIMATE命令输出的拟合统计量的值 表9 ESTIMATE命令输出的系数相关阵 表10 ESTIMATE命令输出的残差自相关检验结果 拟合模型的具体形式如表11所示。 表11 ESTIMATE命令输出的拟合模型形式 针对问题三：对拟合好的模型进行短期预测。输入以下命令，运行可得表12和图2. forecast