基于SAS軟件的時(shí)間序列實(shí)驗(yàn)的代碼

1、實(shí)驗(yàn)指南目錄實(shí)驗(yàn)一 分析太陽(yáng)黑子數(shù)序列 3 實(shí)驗(yàn)二 模擬 ar 模型 4 實(shí)驗(yàn)三 模擬 ma 模型和 arma 模型 6 實(shí)驗(yàn)四 分析化工生產(chǎn)量數(shù)據(jù) 8 實(shí)驗(yàn)五 模擬 arima 模型和季節(jié) arima 模型 10 實(shí)驗(yàn)六 分析美國(guó)國(guó)民生產(chǎn)總值的季度數(shù)據(jù) 13 實(shí)驗(yàn)七 分析國(guó)際航線月度旅客總數(shù)數(shù)據(jù) 16 實(shí)驗(yàn)八 干預(yù)模型的建模 19 實(shí)驗(yàn)九 傳遞函數(shù)模型的建模 22 實(shí)驗(yàn)十 回歸與時(shí)序相結(jié)合的建模 25 太陽(yáng)黑子年度數(shù)據(jù) 28 美國(guó)國(guó)民收入數(shù)據(jù) 29 化工生產(chǎn)過(guò)程的產(chǎn)量數(shù)據(jù) 30 國(guó)際航線月度旅客數(shù)據(jù) 30 洛杉磯臭氧每小時(shí)讀數(shù)的月平均值數(shù)據(jù) 31 煤氣爐數(shù)據(jù) 35 芝加哥某食品公司大眾食品周

2、銷(xiāo)售數(shù)據(jù) 37 牙膏市場(chǎng)占有率周數(shù)據(jù) 39 某公司汽車(chē)生產(chǎn)數(shù)據(jù) 44 加拿大山貓數(shù)據(jù) 44實(shí)驗(yàn)一 分析太陽(yáng)黑子數(shù)序列一、 實(shí)驗(yàn)?zāi)康模?了解時(shí)間序列分析的基本步驟，熟悉sas/ets軟件使用方法。二、實(shí)驗(yàn)內(nèi)容：分析太陽(yáng)黑子數(shù)序列。三、實(shí)驗(yàn)要求：了解時(shí)間序列分析的基本步驟，注意各種語(yǔ)句的輸出結(jié)果。四、實(shí)驗(yàn)時(shí)間：2 小時(shí)。五、實(shí)驗(yàn)軟件：sas系統(tǒng)。六、實(shí)驗(yàn)步驟1、開(kāi)機(jī)進(jìn)入sas系統(tǒng)。2、 創(chuàng)建名為exp1 的 sas數(shù)據(jù)集，即在窗中輸入下列語(yǔ)句：data exp1; input a1 ; year=intnx( year , 1jan1742 d,_n_-1); format year year4.

3、; cards; 輸入太陽(yáng)黑子數(shù)序列( 見(jiàn)附表 ) run; 3、 保存此步驟中的程序，供以后分析使用 （只需按工具條上的保存按鈕然后填寫(xiě)完提問(wèn)后就可以把這段程序保存下來(lái)即可）。4、 繪數(shù)據(jù)與時(shí)間的關(guān)系圖，初步識(shí)別序列，輸入下列程序：proc gplot data=exp1; symbol i=spline v=star h=2 c=green; plot a1*year; run; 5、 提交程序，在graph 窗口中觀察序列，可以看出此序列是均值平穩(wěn)序列。6、 識(shí)別模型，輸入如下程序。 proc arima data=exp1; identify var=a1 nlag=24; run;

4、7、 提交程序，觀察輸出結(jié)果。初步識(shí)別序列為ar(3)模型。8、 估計(jì)和診斷。輸入如下程序： estimate p=3; run; 9、 提交程序，觀察輸出結(jié)果。假設(shè)通過(guò)了白噪聲檢驗(yàn)，且模型合理，則進(jìn)行預(yù)測(cè)。10、進(jìn)行預(yù)測(cè)，輸入如下程序：forecast lead=6 interval=year id=year out=out; run; proc print data=out; run; 11、提交程序，觀察輸出結(jié)果。12、退出 sas系統(tǒng)，關(guān)閉計(jì)算機(jī)。實(shí)驗(yàn)二 模擬 ar模型一、 實(shí)驗(yàn)?zāi)康模?熟悉各種ar模型的樣本自相關(guān)系數(shù)和偏相關(guān)系數(shù)的特點(diǎn)，為理論學(xué)習(xí)提供直觀的印象。二、 實(shí)驗(yàn)內(nèi)容： 隨機(jī)

5、模擬各種ar模型。三、 實(shí)驗(yàn)要求： 記錄各 ar模型的樣本自相關(guān)系數(shù)和偏相關(guān)系數(shù)，觀察各種序列圖形，總結(jié)ar模型的樣本自相關(guān)系數(shù)和偏相關(guān)系數(shù)的特點(diǎn)四、 實(shí)驗(yàn)時(shí)間： 2 小時(shí)。五、 實(shí)驗(yàn)軟件： sas系統(tǒng)。六、 實(shí)驗(yàn)步驟1、開(kāi)機(jī)進(jìn)入sas系統(tǒng)。2、 模擬實(shí)根情況，模擬ttttazzz214.06.0過(guò)程。3、 在 edit窗中輸入如下程序： data a; x1=0.5; x2=0.5; n=-50; do i=-50 to 250; a=rannor(32565); x=a-0.6*x1+0.4*x2; x2=x1; x1=x; n=n+1; if i0 then output; end; r

6、un; 4、觀察輸出的數(shù)據(jù)，輸入如下程序，并提交程序。 proc print data=a; var x; proc gplot data=a; symbol i=spline c=red; plot x*n; run; 5、 觀察樣本自相關(guān)系數(shù)和偏相關(guān)系數(shù)，輸入輸入如下程序，并提交程序。 proc arima data=a; identify var=x nlag=10 outcov=exp1; run; proc gplot data=exp1; symbol i=needle width=6; plot corr*lag; run; proc gplot data=exp1; symbo

7、l i=needle width=6; plot partcorr*lag; run; 6、 作為作業(yè)把樣本自相關(guān)系數(shù)和偏相關(guān)系數(shù)記錄下來(lái)。7、 估計(jì)模型參數(shù)，并與實(shí)際模型的系數(shù)進(jìn)行對(duì)比，即輸入如下程序，并提交。 proc arima data=a; identify var=x nlag=10 ; run; estimate p=2; run; 8、 模擬虛根情況，模擬ttttazzz215.0過(guò)程。重復(fù)步驟3-7 即可（但部分程序需要修改，請(qǐng)讀者自己完成）。9、 模擬 ar(3)模型， 模擬tttttazzzz3212.03.04.0過(guò)程。 重復(fù)步驟3-7 即可 (但部分程序需要修改，請(qǐng)讀

8、者自己完成). 10、回到 graph窗口觀察各種序列圖形的異同11、退出 sas系統(tǒng) ,關(guān)閉計(jì)算機(jī) . 實(shí)驗(yàn)三 模擬 ma模型和 arma 模型一、 實(shí)驗(yàn)?zāi)康模?熟悉各種ma模型和 arma 模型的樣本自相關(guān)系數(shù)和偏相關(guān)系數(shù)的特點(diǎn)，為理論學(xué)習(xí)提供直觀的印象。二、 實(shí)驗(yàn)內(nèi)容： 隨機(jī)模擬各種ma模型和 arma 模型。三、 實(shí)驗(yàn)要求： 記錄各 ma模型和 arma 模型的樣本自相關(guān)系數(shù)和偏相關(guān)系數(shù)，觀察各序列的異同，總結(jié)ma模型和 arma 模型的樣本自相關(guān)系數(shù)和偏相關(guān)系數(shù)的特點(diǎn)四、 實(shí)驗(yàn)時(shí)間： 2 小時(shí)。五、 實(shí)驗(yàn)軟件： sas系統(tǒng)。六、 實(shí)驗(yàn)步驟1、 開(kāi)機(jī)進(jìn)入sas系統(tǒng)。2、模擬0,021情

9、況，模擬ttabbx)24.065.01(2過(guò)程。3在 edit窗中輸入如下程序： data a; a1=0; a2=0; do n=-50 to 250; a=rannor(32565); x=a+0.65*a1+0.24*a2; a2=a1; a1=a; if n0 then output; end; run; 4、觀察輸出的數(shù)據(jù)序列，輸入如下程序，并提交程序。 proc gplot data=a; symbol i=spline; plot x*n; run; 5、觀察樣本自相關(guān)系數(shù)和偏相關(guān)系數(shù)，輸入輸入如下程序，并提交程序。 proc arima data=a; identify va

10、r=x nlag=10 outcov=exp1; run; proc gplot data=exp1; symbol1 i=needle c=red; plot corr*lag=1; run; proc gplot data=exp1; symbol2 i=needle c=green; plot partcorr*lag=2; run; 6、 作為作業(yè)把樣本自相關(guān)系數(shù)和偏相關(guān)系數(shù)記錄下來(lái)。7、 估計(jì)模型參數(shù)，并與實(shí)際模型的系數(shù)進(jìn)行對(duì)比，即輸入如下程序，并提交。 proc arima data=a; identify var=x nlag=10 ; run; estimate q=2; ru

11、n; 8、 模擬0,021情況，模擬ttabbx)24.065.01(2過(guò)程。重復(fù)步驟3-7 即可（但部分程序需要修改，請(qǐng)讀者自己完成）。9、 模擬0,021情況，模擬ttabbx)24.065.01(2過(guò)程。重復(fù)步驟3-7 即可（但部分程序需要修改，請(qǐng)讀者自己完成）。10、模擬0,021情況，模擬ttabbx)24.065.01(2過(guò)程。重復(fù)步驟3-7即可（但部分程序需要修改，請(qǐng)讀者自己完成）。11、模擬 arma 模型， 模擬21214.03.055.075.0ttttttaaaxxx過(guò)程。 重復(fù)步驟 3-7即可 (但部分程序需要修改，請(qǐng)讀者自己完成). 12、回到 graph 窗口觀察各

12、種序列圖形的異同。13、退出 sas系統(tǒng) ,關(guān)閉計(jì)算機(jī) . 實(shí)驗(yàn)四 分析化工生產(chǎn)量數(shù)據(jù)一、 實(shí)驗(yàn)?zāi)康模?進(jìn)一步熟悉時(shí)間序列建模的基本步驟，掌握用sacf及 spacf 定模型的階的方法。二、 實(shí)驗(yàn)內(nèi)容： 分析化工生產(chǎn)過(guò)程的產(chǎn)量序列。三、 實(shí)驗(yàn)要求： 掌握 arma 模型建模的基本步驟，初步掌握數(shù)據(jù)分析技巧。寫(xiě)出實(shí)驗(yàn)報(bào)告。四、 實(shí)驗(yàn)時(shí)間： 2 小時(shí)。五、 實(shí)驗(yàn)軟件： sas系統(tǒng)。六、 實(shí)驗(yàn)步驟1、 開(kāi)機(jī)進(jìn)入sas系統(tǒng)。2、 創(chuàng)建名為exp2 的 sas數(shù)據(jù)集，即在窗中輸入下列語(yǔ)句：data exp2; input x ; n=_n_; cards; 輸入化工生產(chǎn)產(chǎn)量數(shù)據(jù)序列（見(jiàn)附表) ；run;

13、 3、 保存此步驟中的程序，供以后分析使用 （只需按工具條上的保存按鈕然后填寫(xiě)完提問(wèn)后就可以把這段程序保存下來(lái)即可）。4、 繪數(shù)據(jù)與時(shí)間的關(guān)系圖，初步識(shí)別序列，輸入下列程序：proc gplot data=exp2; symbol i=spline v=star h=2 c=green; plot x*n; run; 5、 提交程序，在graph 窗口中觀察序列，可以看出此序列是均值平穩(wěn)序列。6、 識(shí)別模型，輸入如下程序。 proc arima data=exp2; identity var=x nlag=12; run; 7、 提交程序， 觀察輸出結(jié)果， 發(fā)現(xiàn)二階樣本自相關(guān)系數(shù)和一階的樣本偏

14、相關(guān)系數(shù)都在2倍的標(biāo)準(zhǔn)差之外，那么我們首先作為一階ar模型估計(jì)，輸入如下程序： estimate plot p=1; run; 8、 提交程序， 觀察輸出結(jié)果， 發(fā)現(xiàn)殘差能通過(guò)白噪聲檢驗(yàn)，但它的二階的樣本偏相關(guān)系數(shù)比較大，那么我們考慮二階ar模型。輸入如下程序： estimate plot p=2; run; 9、 提交程序，觀察輸出結(jié)果，發(fā)現(xiàn)殘差樣本自相關(guān)系數(shù)和樣本偏相關(guān)系數(shù)都在 2 倍的標(biāo)準(zhǔn)差之內(nèi)。且能通過(guò)白噪聲檢驗(yàn)。比較兩個(gè)模型的aic 和 sbc, 發(fā)現(xiàn)第二個(gè)模型的aic 和 sbc都比第一個(gè)的小，故我們選擇第二個(gè)模型為我們的結(jié)果。10、記錄參數(shù)估計(jì)值，寫(xiě)出模型方程式。11、進(jìn)行預(yù)測(cè)，

15、輸入如下程序： forecast lead=12 out=out; run; proc print data=out; run; 12、提交程序，觀察輸出結(jié)果。13、退出 sas系統(tǒng)，關(guān)閉計(jì)算機(jī)。實(shí)驗(yàn)五模擬 arima 模型和季節(jié) arima模型一、 實(shí)驗(yàn)?zāi)康模?熟悉各種arima模型的樣本自相關(guān)系數(shù)和偏相關(guān)系數(shù)的特點(diǎn)，區(qū)別各種arima模型的圖形，為理論學(xué)習(xí)提供直觀的印象。二、 實(shí)驗(yàn)內(nèi)容： 隨機(jī)模擬各種arima模型。三、 實(shí)驗(yàn)要求： 記錄各 arima模型的樣本自相關(guān)系數(shù)和偏相關(guān)系數(shù)觀察各序列圖形的異同，總結(jié)arima模型的樣本自相關(guān)系數(shù)和偏相關(guān)系數(shù)的特點(diǎn)四、 實(shí)驗(yàn)時(shí)間： 2 小時(shí)。五、

16、實(shí)驗(yàn)軟件： sas系統(tǒng)。六、 實(shí)驗(yàn)步驟2、 開(kāi)機(jī)進(jìn)入sas系統(tǒng)。2、模擬 arima(0,1,1) 過(guò)程，模擬118.0ttttaaxx過(guò)程。3、 創(chuàng)建數(shù)據(jù)集，在edit窗中輸入如下程序： data a; x1=0.9; a1=0; do n=-50 to 250; a=rannor(32565); x=x1+a-0.8*a1; x1=x; a1=a; if n0 then output; end; run; 4、觀察輸出的數(shù)據(jù)序列，輸入如下程序：。 proc gplot data=a; symbol i=spline; plot x*n; run; 5 、提交程序，在graph 窗口中觀察圖

17、形。6、觀察樣本自相關(guān)系數(shù)和偏相關(guān)系數(shù)，輸入輸入如下程序： proc arima data=a; identify var=x nlag=10 outcov=exp1; run; proc gplot data=exp1; symbol1 i=needle c=red; plot corr*lag=1; run; proc plot data=exp1; symbol2 i=needle c=green; plot partcorr*lag=2; run; 7、 提交程序，發(fā)現(xiàn)自相關(guān)系數(shù)成緩慢下降的趨勢(shì)，說(shuō)明要做差分運(yùn)算，做一階差分運(yùn)算，輸入如下程序：proc arima data=a; id

18、entity var=x(1) nlag=24; run; 8、 提交程序，觀察樣本自相關(guān)系數(shù)與樣本偏相關(guān)系數(shù)，發(fā)現(xiàn)自相關(guān)系數(shù)1 階截尾，故判斷差分后序列為ma(1)模型。進(jìn)行模型參數(shù)估計(jì)，輸入如下程序：estimate q=1 plot; run; 9、 提交程序，并觀察殘差圖，發(fā)現(xiàn)模型擬合完全。10、寫(xiě)出模型的方程，并與真實(shí)模型對(duì)比。11、模擬 arima(1,1,0) 模型，模擬ttazbb)1)(5.01(過(guò)程。重復(fù)步驟3-10 即可（但部分程序需要修改，請(qǐng)讀者自己完成）。12模擬sqdpqdparima),)(,(模型，模擬ttabbxbb)6.01)(4.01()1)(1(1212

19、模型 , 即12)1 , 1 ,0)(1 , 1 ,0(arima模型。13、創(chuàng)建數(shù)據(jù)集，在edit 窗中輸入如下程序：data c; x1=0.9;x2=0;x3=0;x4=0;x5=0;x6=0;x7=0; x8=0;x9=0;x10=0;x11=0;x12=0;x13=0; a1=0;a2=0;a3=0;a4=0;a5=0;a6=0;a7=0; a8=0;a9=0;a10=0;a11=0;a12=0;a13=0; do n=-50 to 250; a=rannor(12345); x=x1+x12-x13+a-0.4*a1-0.6*a12+0.24*a13; x13=x12;x12=x1

20、1;x11=x10;x10=x9;x9=x8;x8=x7; x7=x6;x6=x5;x5=x4;x4=x3;x3=x2;x2=x1;x1=x; a13=a12;a12=a11;a11=a10;a10=a9;a9=a8;a8=a7; a7=a6;a6=a5;a5=a4;a4=a3;a3=a2;a2=a1;a1=a; if n0 then output; end; run; 14、繪序列圖，輸入如下程序：proc gplot data=c; symbol i=spline c=red; plot x*n; run; 15、提交程序，到graph 窗口中觀察序列圖形。16、初步識(shí)別模型，輸入如下程序

21、：proc arima data=c; identify var=x nlag=36; run; 17、提交程序，觀察樣本自相關(guān)系數(shù)和樣本偏相關(guān)系數(shù)。18、做季節(jié)差分和一階差分除掉季節(jié)因子和趨勢(shì)因子，輸入如下程序：identify var=x(1,12) nlag=36; run; 19、提交程序，觀察樣本自相關(guān)系數(shù)和樣本偏相關(guān)系數(shù)，確定模型階數(shù)。20、估計(jì)模型參數(shù)，輸入如下程序：estimate q=(1)(12) method=uls plot; run; 21、提交程序，觀察殘差的樣本自相關(guān)系數(shù)和樣本偏相關(guān)系數(shù)，看是否通過(guò)了白噪聲檢驗(yàn)。寫(xiě)出模型方程式，并與真實(shí)模型對(duì)比。22、回到 gra

22、ph 窗口觀察各種序列圖形的異同。23、退出 sas系統(tǒng) ,關(guān)閉計(jì)算機(jī) . 實(shí)驗(yàn)六 分析美國(guó)國(guó)民生產(chǎn)總值的季度數(shù)據(jù)一、實(shí)驗(yàn)?zāi)康模哼M(jìn)一步學(xué)習(xí)數(shù)據(jù)分析技巧，進(jìn)一步了解arima模型。二、實(shí)驗(yàn)內(nèi)容：47 年 1 季度到 96 年 3 季度美國(guó)國(guó)民生產(chǎn)總值的季度數(shù)據(jù)。三、實(shí)驗(yàn)要求：寫(xiě)出分析報(bào)告。四、實(shí)驗(yàn)時(shí)間：2 小時(shí)。五、實(shí)驗(yàn)軟件：sas系統(tǒng)。六、實(shí)驗(yàn)步驟1、開(kāi)機(jī)進(jìn)入sas系統(tǒng)。2、建立名為exp3 的 sas數(shù)據(jù)集，輸入如下程序：data exp3; input gnp; date=intnx( qtr , 1jan47 d,_n_-1); format date yyqc.; cards; 輸入美

23、國(guó)國(guó)民生產(chǎn)總值的數(shù)據(jù)；run; 注： intnx函數(shù)按間隔遞增日期，intnx函數(shù)計(jì)算某個(gè)區(qū)間經(jīng)過(guò)若干區(qū)間間隔之后的間隔的開(kāi)始日期或日期時(shí)間值，其中開(kāi)始間隔內(nèi)的一個(gè)日期或日期時(shí)間值給出。 intnx函數(shù)的格式如下： intnx(interval,from,n) 3保存上述程序，供以后分析使用（只需按工具條上的保存按鈕，然后填寫(xiě)完提問(wèn)后就可以把這段程序保存下來(lái)）。4、 繪序列圖，輸入如下程序： proc gplot data=exp3; symbol1 i=spline; plot gnp*date=1; run; 5、 觀察圖形，發(fā)現(xiàn)圖形成指數(shù)函數(shù)上升形式，故做對(duì)數(shù)變換，輸入如下程序：data

24、 lexp; set exp3; lgnp=log(gnp); run; 6、 繪變換后序列圖，輸入如下程序：proc gplot data=lexp; symbol2 i=spline c=red; plot lgnp*date=2; run; 7、 提交程序，到graph窗口中觀察變換后的序列圖，可以看出它成直線上升趨勢(shì)。對(duì)序列做初步識(shí)別，輸入如下程序：proc arima data=lexp; identify var=lgnp nlag=12; run; 8、 提交程序，觀察樣本自相關(guān)系數(shù)，可看出有緩慢下降趨勢(shì)，結(jié)合我們觀察的圖形，我們知道要對(duì)序列做差分運(yùn)算，作一階差分，輸入如下程序：

25、identify var=lgnp(1) nlag=12; run; 9、 提交程序，觀察樣本自相關(guān)系數(shù)，可看出樣本自相關(guān)系數(shù)5 步后是截尾的,那么確定為 ma(5)模型 , 進(jìn)行參數(shù)估計(jì) , 輸入如下程序 : estimate q=5 plot; run; 10、提交程序，觀察輸出結(jié)果，可看出模型通過(guò)了白噪聲檢驗(yàn)，說(shuō)明模型擬合充分。且 ma1,3 , ma1,4的 t 值較小，說(shuō)明參數(shù)顯著為0，除掉這兩項(xiàng)重新進(jìn)行估計(jì)，輸入如下程序：estimate q=(1,2,5) plot; run; 11、提交程序，觀察輸出結(jié)果，可看出模型通過(guò)了白噪聲檢驗(yàn)，說(shuō)明模型擬合充分，且殘差標(biāo)準(zhǔn)誤與前一估計(jì)相差

26、很小，故以此結(jié)果為我們所要的結(jié)果，依此結(jié)果寫(xiě)出方程式。12、進(jìn)行預(yù)測(cè)，預(yù)測(cè)美國(guó)未來(lái)2 年的每季國(guó)民生產(chǎn)總值。輸入如下程序： forcast lead=6 interval=qtr id=date out=results; run; data results; set results; gnp=exp(lgnp); l95=exp(l95); u95=exp(u95); forecast=exp(forecast+std*std/2); run; proc print data=results; var date forcast; where date= 1jan96 d; run; 13、提交

27、程序，并把預(yù)測(cè)值記錄下來(lái)。14、退出 sas系統(tǒng)，關(guān)閉計(jì)算機(jī)。實(shí)驗(yàn)七 分析國(guó)際航線月度旅客總數(shù)數(shù)據(jù)一、 實(shí)驗(yàn)?zāi)康模?熟悉運(yùn)用sas建立sqdpqdparima),)(,(模型的方法，進(jìn)一步了解sqdpqdparima),)(,(模型的特征。二、實(shí)驗(yàn)內(nèi)容：19497 年 1 月至 1960 年 12 月國(guó)際航線月度旅客總數(shù)數(shù)據(jù)。三、實(shí)驗(yàn)要求：寫(xiě)出分析報(bào)告。四、實(shí)驗(yàn)時(shí)間：2 小時(shí)。五、實(shí)驗(yàn)軟件：sas系統(tǒng)。六、實(shí)驗(yàn)步驟1、開(kāi)機(jī)進(jìn)入sas系統(tǒng)。2、建立名為exp4 的 sas數(shù)據(jù)集，輸入如下程序：data exp4; input air; date=intnx( month , 1jan49 d,_

28、n_-1); format date monyy.; cards; 輸入國(guó)際航線月度旅客總數(shù)數(shù)據(jù)；run; 3、 保存上述程序，供以后分析使用（只需按工具條上的保存按鈕，然后填寫(xiě)完提問(wèn)后就可以把這段程序保存下來(lái)）。4、 繪序列圖，輸入如下程序： proc gplot data=exp4; symbol1 i=spline v=dot c=red; plot air*date=1; run; 5、 提交程序，觀察圖形，發(fā)現(xiàn)圖形有很強(qiáng)的季節(jié)性，且成指數(shù)函數(shù)上升形式，故做對(duì)數(shù)變換，輸入如下程序：data lair; set exp4; lair=log(air); run; 6、 繪變換后序列圖，輸

29、入如下程序：proc gplot data=lair; symbol2 i=spline c=green; plot lair*date=2; run; 7、 提交程序，到graph 窗口中觀察變換后的序列圖，可以看出它總的趨勢(shì)成直線上升，且有很強(qiáng)的季節(jié)性。對(duì)序列做初步識(shí)別，輸入如下程序：proc arima data=lair; identify var=lair nlag=36; run; 8、 提交程序，觀察樣本自相關(guān)系數(shù)和偏相關(guān)系數(shù)，可看出樣本自相關(guān)系數(shù)有緩慢下降趨勢(shì)， 偏相關(guān)系數(shù)在1 步，13 步，25 步較大，我們作一步一階差分，輸入如下程序：identity var=lair(1

30、) nlag=36; run; 9、 提交程序， 觀察樣本自相關(guān)系數(shù)和偏相關(guān)系數(shù)，發(fā)現(xiàn)樣本自相關(guān)系數(shù)在12 步，24 步，36 步特別大 , 而偏相關(guān)系數(shù)在12 步特別大， 那么我們?cè)僮?2 步的一階差分， 輸入如下程序：identify var=lair(1,12) nlag=36; run; 10、提交程序，觀察樣本自相關(guān)系數(shù)和偏相關(guān)系數(shù)，發(fā)現(xiàn)樣本自相關(guān)系數(shù)在1 步， 12 步特別大 ,而偏相關(guān)系數(shù)看不出有特別的規(guī)律，我們可確定模型的 ma因子為tabb)1)(1 (1221。11、進(jìn)行參數(shù)估計(jì)，輸入如下程序： estimate q=(1)（12）noconstant method=uls

31、 plot; run; 12、提交程序，觀察輸出結(jié)果，可看出模型通過(guò)了白噪聲檢驗(yàn)，說(shuō)明模型擬合充分，故以此結(jié)果為我們所要的結(jié)果，依此結(jié)果寫(xiě)出方程式。13、進(jìn)行預(yù)測(cè)，輸入如下程序：forecast lead=36 interval=month id=date out=b; run; proc print data=b; run; 14 、提交程序，仔細(xì)觀察預(yù)測(cè)的結(jié)果有什么規(guī)律，思考為什么有這樣的規(guī)律？15、變換預(yù)測(cè)值，以獲取原度量下的預(yù)測(cè)值，輸入如下程序： data c; set b; air=exp(lair); forecast=exp(forecast+std*std/2); l95=ex

32、p(l95); u95=exp(u95); run; proc print data=c; run; 16、 繪預(yù)測(cè)和置信限的散點(diǎn)圖，輸入如下程序：symbol1 i=none v=star r=1 c=red; symbol2 i=join v=plus r=1 c=green; symbol3 i=join v=none l=3 r=1 c=blue; proc gplot data=c; where data= 1jan59 d; plot air*date=1 forecast*date=2 l95*date=3 u95*date=3/ overlay haxis= 1jan59 d

33、to 1jan62 d by year; run; 17、 提交程序，觀察圖形。18、 退出 sas系統(tǒng)，關(guān)閉計(jì)算機(jī)。實(shí)驗(yàn)八 干預(yù)模型的建模一、 實(shí)驗(yàn)?zāi)康模?掌握干預(yù)模型的分析方法，進(jìn)一步熟悉arima過(guò)程的使用方法。二、實(shí)驗(yàn)內(nèi)容：1955 年 1 月至 1972 年 12 月洛杉磯月平均臭氧數(shù)據(jù)。三、實(shí)驗(yàn)要求：寫(xiě)出實(shí)驗(yàn)報(bào)告，掌握干預(yù)模型的建模方法。四、實(shí)驗(yàn)時(shí)間：2 小時(shí)。五、實(shí)驗(yàn)軟件：sas系統(tǒng)。六、實(shí)驗(yàn)步驟1、開(kāi)機(jī)進(jìn)入sas系統(tǒng)。2、建立名為exp5 的 sas數(shù)據(jù)集，輸入如下程序：data exp5; input n ozone x1 summer winter; date=intnx(

34、 month , 1jan55 d,_n_-1); format date monyy.; cards; 輸入洛杉磯月平均臭氧數(shù)據(jù)；run; 或者輸入如下程序： data exp5; input ozone ; date=intnx( month , 1jan55 d,_n_-1); format date monyy.; month=month(date); year=year(date); x1=year=1960; summer=(5month1965); winter=(year1965)-summer; cards; 只輸入 ozone 一欄的數(shù)據(jù)； run; 3、 保存上述程序，供

35、以后分析使用（只需按工具條上的保存按鈕，然后填寫(xiě)完提問(wèn)后就可以把這段程序保存下來(lái)）。4、繪序列圖，輸入如下程序： proc gplot data=exp5; symbol1 i=spline v=dot c=red; plot ozone*date=1; run; 5、提交程序，觀察圖形，發(fā)現(xiàn)圖形有很強(qiáng)的季節(jié)性和緩慢下降的趨勢(shì)。6、 初步識(shí)別模型，輸入如下程序： identify var=ozone nlag=36; run; 7、 提交程序，觀察樣本自相關(guān)系數(shù)和偏相關(guān)系數(shù)，可看出樣本自相關(guān)系數(shù)在1 步， 12步，24 步，36 步都較大， 且具有周期性，偏相關(guān)系數(shù)在1 步最大， 我們作季節(jié)差

36、分，輸入如下程序：identify var=ozone(12) nlag=36; run; 8、 提交程序，觀察樣本自相關(guān)系數(shù)和偏相關(guān)系數(shù)，發(fā)現(xiàn)樣本自相關(guān)系數(shù)在 1步， 12 步較大 ,而偏相關(guān)系數(shù)在1 步， 12 步， 24 步都較大，且呈現(xiàn)拖尾現(xiàn)象，我們可確定模型的ma因子為tabb)1)(1 (1221。9、進(jìn)行參數(shù)估計(jì)，輸入如下程序： estimate q=(1)（12）noconstant method=uls plot; run; 10、提交程序，觀察輸出結(jié)果，可看出模型不是很干凈，且不能通過(guò)白噪聲檢驗(yàn)。我們可以做殘差序列圖，觀看殘差的特性，輸入如下程序：forecast lead

37、=12 out=b id=date interval=month id=date; run; 11、進(jìn)行預(yù)測(cè)，輸入如下程序：forecast lead=36 interval=month id=date out=b noprint; run; proc gplot data=b; symbol i=spline v=dot c=red; plot residual*date; run; 12 、提交程序，觀察圖形，可看出前面一段時(shí)期的殘差比后面的要大。 13 、我們考察修建高速公路后，是否對(duì)臭氧有顯著性影響，輸入如下程序： proc arima data=exp5; identify var=

38、ozone(12) crosscorr=(x1(12) noprint; estimate q=(1)(12) input(x1) noconstant method=ml itprint plot; run; 14、提交程序，觀察輸出結(jié)果，發(fā)現(xiàn)模型的標(biāo)準(zhǔn)差,aic,sbc 都變小了很多，且 x1 的影響顯著。思考為什么要對(duì)x1 進(jìn)行季節(jié)差分？15、我們?cè)賮?lái)考察汽車(chē)裝上尾氣過(guò)濾器，是否對(duì)臭氧有顯著性影響，輸入如下程序： proc arima data=exp5; identify var=ozone(12) crosscorr=(x1(12) summer winter) noprint; e

39、stimate q=(1)(12) input(x1 summer winter) noconstant method=ml itprint plot; run; 16、 提交程序，觀察輸出結(jié)果，發(fā)現(xiàn)模型的標(biāo)準(zhǔn)差,aic,sbc 都變小了，且模型基本上通過(guò)了白噪聲檢驗(yàn)，并且x1,summer 的影響顯著 , 而 winter 的影響不顯著。思考為什么不對(duì)summer和 winter進(jìn)行差分？ 17 、進(jìn)行預(yù)測(cè)值，輸入如下程序： forecast lead=12 id=date interval=month; run; 注：這樣的預(yù)測(cè)是x1,summer,winter已知的預(yù)測(cè)。18、提交程序，

40、觀察預(yù)測(cè)值。 19 、退出 sas系統(tǒng)，關(guān)閉計(jì)算機(jī)。實(shí)驗(yàn)九 傳遞函數(shù)模型的建模一、 實(shí)驗(yàn)?zāi)康模?熟悉傳遞函數(shù)模型的建模方法。二、實(shí)驗(yàn)內(nèi)容：煤氣爐數(shù)據(jù)。三、實(shí)驗(yàn)要求：寫(xiě)出實(shí)驗(yàn)報(bào)告，總結(jié)傳遞函數(shù)模型的建模的一般步驟。四、實(shí)驗(yàn)時(shí)間：2 小時(shí)。五、實(shí)驗(yàn)軟件：sas系統(tǒng)。六、實(shí)驗(yàn)步驟1、開(kāi)機(jī)進(jìn)入sas系統(tǒng)。2、建立名為exp6 的 sas數(shù)據(jù)集，輸入如下程序：data exp6; input x y; t=_n_; cards; 輸入煤氣爐數(shù)據(jù)；run; 3、 保存上述程序，供以后分析使用（只需按工具條上的保存按鈕，然后填寫(xiě)完提問(wèn)后就可以把這段程序保存下來(lái)）。4、繪序列圖，輸入如下程序： proc gp

41、lot data=exp6; symbol1 i=spline c=red; symbol2 i=spline c=green; plot x*t=1 y*t=2; run; 5、提交程序，仔細(xì)觀察兩序列圖形，看兩者有何聯(lián)系。6、先觀察tx和ty的相關(guān)情況，看是否要做差分，輸入如下程序： proc arima data=exp6; identifu var=y crosscorr=(x) nlag=12; run; 7、提交程序，觀察tx的ty自相關(guān)和互相關(guān)系數(shù)，發(fā)現(xiàn)都很快的衰減，表明不要做差分運(yùn)算。8、 識(shí)別輸入序列tx, 輸入如下程序：proc arima data=exp6; ident

42、ify var=x nlag=12; run; 9、 提交程序，觀察tx的自相關(guān)和偏相關(guān)系數(shù)，可以看到偏相關(guān)系數(shù)是3 步截尾的。10、對(duì)tx擬合 ar(3) 模型，看是否充分，輸入如下程序：estimate p=3 plot; run; 11、提交程序，觀察輸出結(jié)果，可看到模型通過(guò)了白噪聲檢驗(yàn)，說(shuō)明擬合效果不錯(cuò)，把擬合的方程式寫(xiě)出來(lái)。12、觀察預(yù)白噪聲化后的兩序列的互相關(guān)系數(shù)，輸入如下程序： identify var=y crosscorr=(x) nlag=12; run; 13 、提交程序，觀察樣本自相關(guān)系數(shù)和偏相關(guān)系數(shù)和互相關(guān)系數(shù)，我們可以初步識(shí)別傳遞函數(shù)模型為（2，2，3）( 思考 :

43、 為什么 ?) ，即：32210221)()1(ttxbbybb 14 、進(jìn)行參數(shù)估計(jì)，并查看殘差的相關(guān)情況，輸入如下程序： estimate input=(3$(1,2)/(1,2)x) plot; run; 15、提交程序，觀察輸出結(jié)果，可以看到殘差的偏相關(guān)系數(shù)是2 步截尾的。那么模型可識(shí)別為：tttabbxbbbby)1()1()(22103221221016、進(jìn)行參數(shù)估計(jì)，輸入如下程序：estimate p=2 input=(3$(1,2)/(1,2)x) plot; run; 17、 提交程序，觀察輸出結(jié)果，可看到2很小， 且模型通過(guò)了白噪聲檢驗(yàn)，那么我們除掉這一項(xiàng) , 再進(jìn)行估計(jì)，

44、輸入如下程序： estimate p=2 input=(3$(1,2)/(1)x) plot; run; 18、 提交程序，觀察輸出結(jié)果，可看到模型通過(guò)了白噪聲檢驗(yàn)提交程序，說(shuō)明模型擬合充分 , 請(qǐng)寫(xiě)出方程式。19、進(jìn)行預(yù)測(cè)，輸入如下程序：forecast lead=6 ; run; 20 、提交程序，觀察預(yù)測(cè)結(jié)果。 21 、退出 sas系統(tǒng)，關(guān)閉計(jì)算機(jī)。實(shí)驗(yàn)十 回歸與時(shí)序相結(jié)合的建模一、 實(shí)驗(yàn)?zāi)康模?熟悉回歸與時(shí)序相結(jié)合的建模方法。二、實(shí)驗(yàn)內(nèi)容：芝加哥某食品公司大眾食品周銷(xiāo)售數(shù)據(jù)。三、實(shí)驗(yàn)要求：寫(xiě)出實(shí)驗(yàn)報(bào)告，總結(jié)回歸與時(shí)序相結(jié)合的建模的一般步驟。四、實(shí)驗(yàn)時(shí)間：2 小時(shí)。五、實(shí)驗(yàn)軟件：sas系

45、統(tǒng)。六、實(shí)驗(yàn)步驟1、開(kāi)機(jī)進(jìn)入sas系統(tǒng)。2、建立名為exp7 的 sas數(shù)據(jù)集，輸入如下程序：data exp7; input y1 y2 y3 y4 ; date=intnx( week , 14sep91 d,_n_-1); format date date9.; cards; 輸入芝加哥某食品公司大眾食品周銷(xiāo)售數(shù)據(jù)；run; 3、 保存上述程序，供以后分析使用（只需按工具條上的保存按鈕，然后填寫(xiě)完提問(wèn)后就可以把這段程序保存下來(lái)）。4、首先只分析銷(xiāo)售額的數(shù)據(jù)，不加回歸項(xiàng)。繪序列圖，輸入如下程序： proc gplot data=exp7; symbol1 i=spline c=red; p

46、lot y1*date=1; run; 5、提交程序，仔細(xì)觀察序列圖形。6、初步識(shí)別模型，輸入如下程序： proc arima data=exp7; identifu var=y1 nlag=15; run; 7、提交程序，觀察y1 的相關(guān)系數(shù)，發(fā)現(xiàn)偏相關(guān)系數(shù)是4 階截尾的，那么我們初步識(shí)別為ar(4) 模型，進(jìn)行參數(shù)估計(jì)，并觀察殘差相關(guān)系數(shù)。輸入如下程序： estimate p=4 plot; run; 8、提交程序，觀察輸出結(jié)果，可看到模型擬合得還是比較好。10、然后可以實(shí)驗(yàn)其他一些模型，最后根據(jù)aic 和 bic 準(zhǔn)則，我們最后選定模型為 : ttabybbbb)()1(22044332

47、2111、下面我們開(kāi)始加入回歸項(xiàng)，首先我們繪四個(gè)序列的圖形。輸入如下程序： proc gplot data=exp7; symbol3 i=spline c=green; plot y1*date=3 y2*date=3 y3*date=3 y4*date=3; run; 12、提交程序，觀察這四個(gè)序列有什么特點(diǎn)。13、繪 y1 對(duì) y2、y3、y4 的散點(diǎn)圖，輸入如下程序： proc plot data=exp7; plot y1*y2= . y1*y3= . y1*y4= . ; run; 14、提交程序，觀察他們的相關(guān)性，可看出y1 和 y2 負(fù)相關(guān)， y1 和 y3 正相關(guān)，而 y1

48、和 y4 好象不相關(guān)。15、做純回歸分析，輸入如下程序： proc arima data=exp7; identify var=y1 crosscorr=(y2 y3 y4) noprint; estimate input=(y2 y3 y4); run; 16、提交程序，觀察輸出結(jié)果，可看到y(tǒng)4 的系數(shù)接近于零，我們除掉這一項(xiàng)再做回歸，并觀察殘差的相關(guān)系數(shù)，輸入如下程序： identify var=y1 crosscorr=(y2 y3); estimate input(y2 y3) plot; run; 17、提交程序，觀察輸出結(jié)果，可看到殘差不是白躁聲。我們把殘差用arma 模型擬合，輸

49、入如下程序： identify var=y1 crosscorr=(y2 y3 y4); estimate p=4 q=3 input=(y2 y3 y4) plot; run; 18、提交程序，觀察輸出結(jié)果, 可以看出模型擬合比較充分，且y4、ma1,1、 ar1,3的系數(shù)接近如零，除掉這幾項(xiàng)，再觀察，輸入如下程序： estimate p=(1,2,4) q=(2,3) input=(y2 y3 ) plot; run; 19、提交程序，觀察輸出結(jié)果, 可以看出模型擬合比較充分，且殘差的標(biāo)準(zhǔn)誤和前一模型沒(méi)有多大變化，且aic 和 bic 也比前一模型小，故我們就選擇這一模型，把這一結(jié)果記錄下

50、來(lái)。20、下面我們來(lái)看看殘差對(duì)預(yù)測(cè)值,y2,y3的關(guān)系圖。輸入如下程序： forecast lead=0 id=date interval=week out=a noprint; run; data b; merger exp7 a; run; proc plot data=c; plot residual*forecast= * residual*y2= * residual*y3= * ; run; 22、 提交程序，觀察圖形，可看出殘差對(duì)y2,y3 還不是十分充分，我們加入y2,y3 的滯后一階，看結(jié)果有什么變化，輸入如下程序：data d; set exp7; y21=lag(y2);

51、 y31=lag(y3); run; proc arima data=d; identify var=y1 crosscorr=(y2 y21 y3 y31) noprint; run; estimate p=(1,2,4) q=(2,3) input=(y2 y21 y3 y31) plot; run; 23、提交程序，觀察輸出結(jié)果，并與原來(lái)結(jié)果比較，看是否有進(jìn)步。 24 、進(jìn)行預(yù)測(cè)，輸入如下程序：forecast lead=6 ; run; 25 、提交程序，觀察預(yù)測(cè)結(jié)果。 26 、退出 sas系統(tǒng)，關(guān)閉計(jì)算機(jī)。附數(shù)據(jù)：太陽(yáng)黑子年度數(shù)據(jù)(1742-1957) 1000.700 571.90

52、0 573.600 368.300 146.600 114.800 122.300 389.100 571.200 647.600 754.300 1030.200 733.800 541.400 436.200 250.900 136.900 453.900 838.100 1273.100 1209.600 979.000 797.900 417.300 367.400 84.100 237.800 1110.000 1852.400 1511.100 1017.600 817.100 461.500 273.600 122.000 289.200 994.400 1584.300 157

53、0.900 1417.300 1078.700 799.000 720.500 562.800 492.000 255.200 192.200 76.700 48.800 81.100 173.700 408.000 540.400 516.600 569.600 506.900 337.300 120.600 97.700 30.400 .000 17.000 59.400 146.300 167.200 424.800 549.700 492.700 360.700 287.300 188.100 79.100 48.000 21.500 102.500 198.800 435.300 5

54、96.500 769.800 804.300 851.800 573.700 330.300 102.300 158.900 682.300 1457.400 1659.300 1237.800 1029.800 758.300 441.600 290.300 128.100 180.000 480.700 738.000 1181.500 1491.800 1150.400 798.400 774.000 650.500 468.300 246.800 80.500 51.600 273.300 657.700 1126.000 1148.300 926.000 709.300 528.20

55、0 563.400 365.700 195.500 87.100 447.500 886.800 1669.300 1334.400 1220.000 795.500 535.800 204.900 135.800 147.300 40.500 71.500 387.200 651.000 715.800 764.400 761.400 625.900 304.500 156.600 81.000 75.200 84.600 427.500 875.600 1019.200 936.100 767.600 501.400 314.900 320.600 145.300 113.500 32.9

56、00 60.300 292.600 503.400 761.600 646.300 744.400 582.500 526.600 223.000 68.400 43.100 17.300 115.100 568.400 684.800 1246.700 966.900 763.300 451.700 313.600 170.900 69.300 200.600 531.700 766.700 828.500 933.500 779.600 428.000 254.700 133.700 67.900 104.600 432.700 956.800 1372.800 1314.600 1065

57、.000 813.400 569.700 367.200 195.900 115.100 397.100 1110.100 1798.100 1634.400 1621.400 1007.100 837.100 376.900 166.200 52.900 455.400 1700.500 2278.200 2215.100 1905.000 1347.300 646.800 451.200 334.700 122.400 180.700 美國(guó)國(guó)民收入數(shù)據(jù)(1947第一季度到 1996第三季度 ) （順序是橫向排列） 227.8 231.7 236.1 246.3 252.6 259.9 26

58、6.8 268.1 263.0 259.5 261.2 258.9 269.6 279.3 296.9 308.4 323.2 331.1 337.9 342.3 345.3 345.9 351.7 364.2 371.0 374.5 373.7 368.7 368.4 368.7 373.4 381.9 394.8 403.1 411.4 417.8 420.5 426.0 430.8 439.2 448.1 450.1 457.2 451.7 444.4 448.6 461.8 475.0 499.0 512.0 512.5 516.9 530.3 529.2 532.2 527.3 53

59、1.8 542.4 553.2 566.3 579.0 586.9 594.1 597.7 606.8 615.3 628.2 637.5 654.5 663.4 674.3 679.9 701.2 713.9 730.4 752.6 775.6 785.2 798.6 812.5 822.2 828.2 844.7 861.2 886.5 910.8 926.0 943.6 966.3 979.9 999.3 1008.0 1020.3 1035.7 1053.8 1058.4 1104.2 1124.9 1144.4 1158.8 1198.5 1231.8 1256.7 1297.0 1

60、347.9 1379.4 1404.4 1449.7 1463.9 1496.8 1526.4 1563.2 1571.3 1608.3 1670.6 1725.3 1783.5 1814.0 1847.9 1899.0 1954.5 2026.4 2088.7 2120.4 2166.8 2293.7 2356.2 2437.0 2491.4 2552.9 2629.7 2687.5 2761.7 2756.1 2818.8 2941.5 3076.6 3105.4 3197.7 3222.8 3221.0 3270.3 3287.8 3323.8 3388.2 3501.0 3596.8