时间序列作业.docVIP

时间序列作业 时间序列作业 PAGE 时间序列作业 3-17 解：(1)判断该序列的平稳性与纯随机性。 1)根据题中所列数据，绘制该序列的时序图，如图3-17-1所示。 图3-17-1：某城市过去63年中每年降雪量时序图 其中表示每年降雪量。 时序图显示某城市过去每年降雪量始终围绕在附近随机波动，没有明显的趋势或周期性，基本可视为平稳序列。 2)自相关图检验。如图3-17-2所示。 图3-17-2：样本自相关图 样本自相关图显示延迟2阶之后，该序列的自相关系数都落入2倍标准误之内，而且自相关系数在零值附近波动，是典型的短期相关自相关图。 由时序图和样本自相关图的性质，可以认为该序列为平稳序列。 3)纯随机性检验，检验结果见表3-17-1。 表3-17-1：纯随机性检验结果 检验结果显示，在6阶延迟下LB检验统计量的P值，认为该序列为非白噪声序列。 (2)拟合模型 1)模型识别。 根据样本自相关图、偏自相关图对模型进行直接识别。由(1)可知，该序列在6阶延迟下平稳且非白噪声，已知样本自相关图，即图3-17-2所示，偏自相关图如下图所示。 图3-17-3：样本偏自相关图 而该序列的图像并不能直接识别出较为准确的模型，因此进一步利用SAS对模型进行最优模型定阶，结果如图3-17-4所示： 图3-17-4：最小信息量结果 最后一条信息显示，在自相关延迟系数小于等于5，移动平均延迟系数也小于等于5的所有ARMA(p,q)模型中，BIC信息量相对最小的是ARMA(1,0)模型，即AR(1)模型。 2)参数估计。 先利用SAS输出未知参数估计结果，如下表所示。 表3-17-2：未知参数估计结果 3)模型检验。 利用SAS，残差序列白噪声检验结果如下表所示。 表3-17-3：残差自相关检验结果 残差白噪声检验显示延迟6阶、12阶、18阶、24阶LB检验统计量的P值均显著大于，所以该AR(1)模型显著有效。 参数显著性检验结果(见表3-17-2)显示两个参数t统计量的P值均小于，即两个参数均显著。 因此AR(1)模型是该序列的有效拟合模型。 拟合模型的具体形式。 利用SAS，拟合模型的具体形式如下图所示。 图3-17-5：拟合模型形式 该输出形式等价于 (3)预测该城市未来5年的降雪量。 根据观察值数据和(2)中得到的拟合模型，利用SAS对序列进行短期预测，输出结果如下图所示。 图3-17-6：未来5年的预测结果 根据观察值数据和预测结果，利用SAS绘制拟合预测图，如下图所示。 图3-17-7：拟合预测图 【程序】 data zuoye3_17; input x@@; time=_n_; cards; 25 79 58 83 97 110 ; proc gplot data=zuoye3_17; plot x*time; symbol i=jion c=black v=star; proc arima data=zuoye3_17; identify var=x nlag=6 minic p= (0:5) q= (0:5); estimate p=1; forecast lead=5 id=time out=results; proc gplot data=results; plot x*time=1 forecast*time=2 l95*time=3 u95*time=3/overlay; symbol1 c=black i=none v=star; symbol2 c=red i=jion v=none; symbol3 c=green i=jion v=none l=25; run; 3-19 解：(1)判断该序列的平稳性与纯随机性。 1)根据题中所列数据，绘制该序列的时序图，如图3-19-1所示。 图3-19-1：现有201个连续生产记录时序图 其中表示生产记录数据。 时序图显示现有的201个连续生产记录始终围绕附近随机波动，没有明显的趋势或周期性，基本可视为平稳序列。 2)自相关图检验。如图3-19-2所示。 图3-19-2：样本自相关图 样本自相关图显示延迟1阶之后，该序列的自相关系数都落入2倍标准误之内，而且自相关系数在零值附近波动，是典型的短期相关自相关图。 由时序图和样本自相关图的性质，可以认为该序列为平稳序列。 3)纯随机性检验，检验结果见表3-19-1。 表3-19-1：纯随机性检验结果 检验结果显示，在6阶、12阶、18阶、24阶延迟下LB检验统计量的P值，认为该序列为非白噪声序列。 (2)拟合模型 1)模型识别。 根据样本自相关图、偏自相关图对模型进行直接识别。由(1)可知，该序列在6阶、12阶、1