时间序列试验参考指导书正文.docVIP

试验一 平稳性和纯随机性检验 一、试验目标 经过本试验，使学生 （1）掌握时序图绘制方法； （2）能够判定时间序列平稳性； （3）能够检验时间序列纯随机性。 二、试验要求 依据数据作图，采取时序图检验和自相关图直观判定序列是否平稳，利用LB统计量检验时间序列是否为纯随机性序列，并按具体题目要求完成试验汇报。 三、试验内容 试验题目：1945-1950年费城月度降雨量数据以下（单位：mm），见下表。 69.3 80.0 40.9 74.9 84.6 101.1 225.0 95.3 100.6 48.3 144.5 128.3 38.4 52.3 68.6 37.1 148.6 218.7 131.6 112.8 81.8 31.0 47.5 70.1 96.8 61.5 55.6 171.7 220.5 119.4 63.2 181.6 73.9 64.8 166.9 48.0 137.7 80.5 105.2 89.9 174.8 124.0 86.4 136.9 31.5 35.3 112.3 143.0 160.8 97.0 80.5 62.5 158.2 7.6 165.9 106.7 92.2 63.2 26.2 77.0 52.3 105.4 144.3 49.5 116.1 54.1 148.6 159.3 85.3 67.3 112.8 59.4 （1） 计算该序列样本自相关系数（k=1,2,……,24）。 （2） 判定该序列平稳性。 （3） 判定该序列纯随机性。 试验步骤： 第一步： 编程建立SAS数据集。 第二步： 利用Gplot程序对数据绘制时序图。 第三步： 从时序图中利用平稳时间序列定义判定是否平稳。 第四步： 利用ARIMA程序对数据进行分析，依据输出Identify语句中样本自相关图，由平稳时间序列特征判定是否平稳。 第五步： 依据输出Identify语句中纯随机检验结果，利用LB统计量和白噪声特征检验时间序列是否为纯随机序列。 试验二 ARMA模型应用 一、试验目标 经过本试验，使学生能够利用SAS统计软件，对给出实际问题平稳时间序列经过模型识别、参数估量、模型检验、模型优化等过程，建立符合实际时间序列模型，并估计未来。 二、试验要求 处理数据，掌握平稳时间序列ARMA模型建模过程和方法，并依据具体试验题目要求完成试验汇报。 三、试验内容 试验题目：某地域连续74年谷物产量（单位：千吨）以下： 0.97 0.45 1.61 1.26 1.37 1.43 1.32 1.23 0.84 0.89 1.18 1.33 1.21 0.98 0.91 0.61 1.23 0.97 1.10 0.74 0.80 0.81 0.80 0.60 0.59 0.63 0.87 0.36 0.81 0.91 0.77 0.96 0.93 0.95 0.65 0.98 0.70 0.86 1.32 0.88 0.68 0.78 1.25 0.79 1.19 0.69 0.92 0.86 0.86 0.85 0.90 0.54 0.32 1.40 1.14 0.69 0.91 0.68 0.57 0.94 0.35 0.39 0.45 0.99 0.84 0.62 0.85 0.73 0.66 0.76 0.63 0.32 0.17 0.46 判定该序列平稳性和纯随机性。 选择适合模型拟合该序列发展。 （3） 利用拟合模型，估计该地域未来5年谷物产量。 试验步骤： 第一步：编程建立SAS数据集。 第二步：利用Gplot程序对数据绘制时序图。 第三步：从时序图中利用平稳时间序列定义判定是否平稳？利用ARIMA程序对数据进行分析，依据输出Identify语句中样本自相关图，由平稳时间序列特征判定是否平稳？ 第四步：依据输出Identify语句中纯随机检验结果，利用LB统计量和白噪声特征检验时间序列是否为纯随机序列？ 第五步：在序列判定为平稳非白噪声序列后，求出该观察值序列样本自相关系数（ACF）和样本偏自相关系数（PACF）值。 第六步：依据样本自相关系数和偏自相关系数性质，选择阶数合适ARMA（p, q）模型进行拟合。 第七步：估量模型中未知参数值。 第八步：检验模型有效性。假如拟合模型通不过检验，转向步骤6，重新选择模型再拟合。 第九步：模型优化。假如拟合模型经过检验，仍然转向步骤2，充足考虑多种可能建立多个拟合模型，从全部经过检验拟合模型中选择最优模型。 第十步：利用最优拟合模型，估计序列未来走势。 试验三 时间序列线性和非线性趋势拟合 一、试验目标 经过本试验，使学生能够利用SAS统计软件，对给出实际问题非平稳时间序列进行分析，掌握非平稳时间序列确实定性部分分离方法，建立适宜某一类确定性模型。 二、试验要求