时间序列整合分析一汇总.docVIP

1. 缺省值的补足： 时序图：（检验平稳性） 自相关函数：（检验平稳性） 计算标准正态分布的概率： 计算标准正态分布的分位数： 计算标准t分布的概率 计算标准t分布的分位数 计算标准F分布的概率 计算标准F分布的分位数 计算标准卡方分布的概率 计算标准卡方分布的分位数 方差的同齐性检验： 将数据进行适当分组，这里将4个分为一组，一共四组 PrF的值大于0.05 故接受H0，认为各组方差之间没有显著的差异。 方差的同质性检验： 将数据进行适当分组，这里将4个分为一组，一共四组 根据上结果列出方差分析表： 方差来源 平方和 自由度 均方和 F值 显著性 A 误差 878376 1403729 3 20 292792 70186.4 4.17 总和 2282105 23 F的p值小于0.05 我们认为原始数据方差不同质。 序列的白噪声检验（检验纯随机性）： 可以看出，LB(6)=95.84，其p值小于0.05； LB(12)=190.40，其p值小于0.05；显然该序列不是白噪声序列，即不是纯随机性序列。（p值都大于0.05时才是纯随机序列） 平稳序列的自相关函数和偏自相关函数的形式：（没有程序的） 模型 AR(p) MA(q) ARMA(p,q) ACF自相关 拖尾 截尾 拖尾 PACF偏自相关 截尾 拖尾 拖尾 一个例子：（利用平稳序列建模 进行预测） 我国1975-2006年GDP的年增长率为下表（数据略），对我国1975-2006年GDP的年增长率进行建模，并对2007至2011年我国的GDP增长率进行预测。 (1)首先画出我国1975-2006年GDP增长率的时序图。 data ex;input x@@;t=_n_;cards; 8.7 -1.6 7.6 11.7 7.6 7.8 5.2 9.1 10.9 15.2 13.5 8.8 11.6 11.3 4.1 3.8 9.2 14.2 14 13.1 10.9 10 9.3 7.8 7.6 8.4 8.3 9.1 10 10.1 10.4 10.7 ;proc gplot;symbol i=jiont v=dot;plot x*t;run; 从图中直观的可以看出有奇异点 将奇异点看成缺省值，利用以下程序来求缺省点的值： data ex;input x@@;time=intnx(month,01jan1975d,_n_-1); format time data; cards; 8.7 . 7.6 11.7 7.6 7.8 5.2 9.1 10.9 15.2 13.5 8.8 11.6 11.3 4.1 3.8 9.2 14.2 14 13.1 10.9 10 9.3 7.8 7.6 8.4 8.3 9.1 10 10.1 10.4 10.7 ; proc expand data=ex out=ex1;id time;proc print data=ex1; run; 结果可知，缺省点的值为2.4 利用修正后的数据再进行时序分析，根据以下程序： 可以看出GDP增长率修正后的数据序列平稳。 BIC（5,0）=-0.24488的值最小，考虑建立AR(5)模型。 模型的建立 data ex;input x@@;time=intnx(month,01jan1975d,_n_-1); format time year4.; cards; 8.7 2.4 7.6 11.7 7.6 7.8 5.2 9.1 10.9 15.2 13.5 8.8 11.6 11.3 4.1 3.8 9.2 14.2 14 13.1 10.9 10 9.3 7.8 7.6 8.4 8.3 9.1 10 10.1 10.4 10.7 ; proc arima;identify var=x nlag=12 minic p=(0:5) q=(0:5); estimate p=5;run; 从上图中可以看出，有些参数不显著，我们将其去掉，建立最精干的模型。（其中可以看出，AR1,3 AR1,4 AR1,5 的p值远远大于0.05）所以，将estimate p=5改为estimate p=(1,2)，即程序为： data ex;input x@@;time=intnx(month,01jan1975d,_n_-1); format time year4.; cards; 8.7 2.4 7.6 11.7 7.6 7.8 5.2 9.1 10.9 15.2 13.5 8.8 11.6 11.3 4.1 3.8 9.2 14.2 14 13.1 10.9 10 9.3 7.8 7.6 8.4 8.3 9.1 10 10.1 10.4 10.7 ; proc