時(shí)間序列分析(SAS)第3章

佛山科學(xué)技術(shù)學(xué)院應(yīng)用時(shí)間序列分析實(shí)驗(yàn)報(bào)告實(shí)驗(yàn)名稱第三章平穩(wěn)時(shí)間序列分析專業(yè)班級(jí)10數(shù)學(xué)與應(yīng)用數(shù)學(xué)姓名林敏杰學(xué)號(hào)2010214222一、上機(jī)練習(xí)程序及其結(jié)果分析：dataex3_1;inputx@@;time=_n_;cards;;procgplotdata=ex3_1;plotx*time=1;symbol1c=redI=joinv=star;run;結(jié)果分析：上圖是數(shù)據(jù)對應(yīng)的時(shí)序圖，從圖上曲線分析來看，數(shù)據(jù)并沒有周期性或者趨向性規(guī)律，因而可以初步判斷這是平穩(wěn)數(shù)列。procarimadata=ex3_1;identifyVar=xnlag=8;run;結(jié)果分析：本過程中，我們建立了8階自回歸分析模型，圖上依次是變量的描述性統(tǒng)計(jì)量、樣本自相關(guān)圖、樣本逆相關(guān)圖和樣本偏自相關(guān)圖。由于本次實(shí)驗(yàn)探究的是平穩(wěn)序列，因而樣本逆相關(guān)圖先不作分析。從自相關(guān)圖來看，自相關(guān)系數(shù)趨于0的速度是比擬快的，再結(jié)合時(shí)序圖來看，可以確定這組數(shù)列是屬于平穩(wěn)數(shù)列。從最后的純隨機(jī)檢驗(yàn)結(jié)果分析來看，P<0.0001，因而這是非白噪聲序列。綜上所述，該數(shù)列是平穩(wěn)非白噪聲序列，因?yàn)槲覀兛梢越RMA模型，對數(shù)據(jù)進(jìn)行擬合。首先觀察自相關(guān)圖和偏自相關(guān)圖，從這兩圖來看，自相關(guān)圖是4階截尾的，而篇相關(guān)系數(shù)是拖尾的。因而我們可以考慮建立MA〔4〕模型，為了防止個(gè)人經(jīng)驗(yàn)缺乏而導(dǎo)致模型建立錯(cuò)誤，我們可以通過計(jì)算機(jī)來判斷確定。procarimadata=ex3_1;identifyVar=xnlag=8minicp=(0:5)q=(0:5);run;結(jié)果分析：從上圖可以看出，在眾多模型中，MA〔4〕模型的BIC信息量是最小的，因而我們接下來會(huì)采用MA〔4〕模型來進(jìn)行分析，這與我們上面人工判斷分析的結(jié)果也是吻合的。estimateq=4;run;結(jié)果分析：以上是我們建立的MA〔4〕模型中的參數(shù)結(jié)果。其中，我們可以看出，常數(shù)項(xiàng)對應(yīng)的t統(tǒng)計(jì)量的P值是0.9968，它是>0.05的，也就說明它是不顯著的，而其他參數(shù)均是顯著的，為了使模型擬合得更優(yōu)，我們應(yīng)該除去常數(shù)項(xiàng)，再進(jìn)行模型分析比擬。estimateq=4noint;run;結(jié)果分析:以上是我們刪去了常數(shù)項(xiàng)之后的結(jié)果。從上述參數(shù)分析來看，所有的參數(shù)的t檢驗(yàn)統(tǒng)計(jì)量的P值都是<0.001的，因而它們都是顯著的。因而我們建立了MA(4)模型如下：forecastlead=5id=timeout=results;run;結(jié)果分析：以上是我們對數(shù)據(jù)進(jìn)行了5期的預(yù)測，其預(yù)測數(shù)據(jù)均可以從上圖中看出來。其中，數(shù)據(jù)從左往右分別表示序列值的序號(hào)、預(yù)測值、預(yù)測值的標(biāo)準(zhǔn)差、95%的置信下限和95%的置信上限。以下我們把這些預(yù)測的數(shù)據(jù)用圖來表現(xiàn)出來：procgplotdata=results;plotx*time=1forecast*time=2l95*time=3u95*time=3/overlay;symbol1c=blacki=nonev=star;symbol2c=redi=joinv=none;symbol3c=greeni=joinv=nonel=32;run;結(jié)果分析：該圖為預(yù)測的圖像，其中，紅色線段表示預(yù)測出來的數(shù)列，綠色的兩條線段分別表示95%的置信下限和95%的置信上限，而黑色的星號(hào)標(biāo)識(shí)那么是對應(yīng)的樣本數(shù)據(jù)值。從圖來分析，我們可以看出，黑色的樣本數(shù)據(jù)值跟我們預(yù)測出來的線段非常的吻合，因而模型建立得很不錯(cuò)。再結(jié)合上一步驟的參數(shù)結(jié)果，也就是預(yù)測的數(shù)據(jù)誤差來看，誤差都是非常的小，因而對數(shù)據(jù)的5期預(yù)測值也是非常的可靠。在比照第一個(gè)步驟的時(shí)序圖，我們可以發(fā)現(xiàn)，在預(yù)測的5個(gè)期間段中，樣本數(shù)據(jù)并沒有很大程度的波動(dòng)或很明顯的趨勢，但是相對偏向于下降的趨勢，而它對應(yīng)的置信區(qū)間也是最大的，因而數(shù)據(jù)會(huì)穩(wěn)定在這期間中，盡管如此，數(shù)據(jù)也不會(huì)有明顯的波動(dòng)，都是相對穩(wěn)定的。二、課后習(xí)題〔老師布置的習(xí)題局部〕17.datalianxi3_17;inputx@@;time=_n_;cards;98.355.566.178.4120.597110;procgplotdata=lianxi3_17;plotx*time=1;symbol1c=redI=joinv=star;run;結(jié)果分析：上圖是數(shù)據(jù)對應(yīng)的時(shí)序圖，從圖上曲線分析來看，數(shù)據(jù)并沒有周期性或者趨向性規(guī)律，因而可以初步判斷這是平穩(wěn)數(shù)列。procarimadata=lianxi3_17;identifyVar=xnlag=8;run;結(jié)果分析：本過程中，我們建立了8階自回歸分析模型，圖上依次是變量的描述性統(tǒng)計(jì)量、樣本自相關(guān)圖、樣本逆相關(guān)圖和樣本偏自相關(guān)圖。由于本次實(shí)驗(yàn)探究的是平穩(wěn)序列，因而樣本逆相關(guān)圖先不作分析。從自相關(guān)圖來看，自相關(guān)系數(shù)趨于0的速度是比擬快的，再結(jié)合時(shí)序圖來看，可以確定這組數(shù)列是屬于平穩(wěn)數(shù)列。從最后的純隨機(jī)檢驗(yàn)結(jié)果分析來看，P<0.0001，因而這是非白噪聲序列。綜上所述，該數(shù)列是平穩(wěn)非白噪聲序列，因?yàn)槲覀兛梢越RMA模型，對數(shù)據(jù)進(jìn)行擬合。首先觀察自相關(guān)圖和偏自相關(guān)圖，從這兩圖來看，偏自相關(guān)圖是1階截尾的，而篇相關(guān)系數(shù)是拖尾的。因而我們可以考慮建立AR〔1〕模型，為了防止個(gè)人經(jīng)驗(yàn)缺乏而導(dǎo)致模型建立錯(cuò)誤，我們可以通過計(jì)算機(jī)來判斷確定。procarimadata=lianxi3_17;identifyVar=xnlag=8minicp=(0:5)q=(0:5);run;結(jié)果分析：從上圖可以看出，在眾多模型中，MA〔4〕模型的BIC信息量是最小的，因而我們接下來會(huì)采用MA〔4〕模型來進(jìn)行分析，這與我們上面人工判斷分析的結(jié)果也是吻合的。estimatep=1;run;結(jié)果分析：以上是我們建立的AR〔1〕模型中的參數(shù)結(jié)果。其中，我們可以看出所有的參數(shù)均是顯著的，為了使模型擬合得更優(yōu)，我們應(yīng)該除去常數(shù)項(xiàng)，再進(jìn)行模型分析比擬。forecastlead=5id=timeout=results;run;結(jié)果分析：以上是我們對數(shù)據(jù)進(jìn)行了5期的預(yù)測，其預(yù)測數(shù)據(jù)均可以從上圖中看出來。其中，數(shù)據(jù)從左往右分別表示序列值的序號(hào)、預(yù)測值、預(yù)測值的標(biāo)準(zhǔn)差、95%的置信下限和95%的置信上限。以下我們把這些預(yù)測的數(shù)據(jù)用圖來表現(xiàn)出來：procgplotdata=results;plotx*time=1forecast*time=2l95*time=3u95*time=3/overlay;symbol1c=blacki=nonev=star;symbol2c=redi=joinv=none;symbol3c=greeni=joinv=nonel=32;run;結(jié)果分析：該圖為預(yù)測的圖像，其中，紅色線段表示預(yù)測出來的數(shù)列，綠色的兩條線段分別表示95%的置信下限和95%的置信上限，而黑色的星號(hào)標(biāo)識(shí)那么是對應(yīng)的樣本數(shù)據(jù)值。從圖來分析，我們可以看出，黑色的樣本數(shù)據(jù)值跟我們預(yù)測出來的線段非常的吻合，因而模型建立得很不錯(cuò)。再結(jié)合上一步驟的參數(shù)結(jié)果，也就是預(yù)測的數(shù)據(jù)誤差來看，誤差都是非常的小，因而對數(shù)據(jù)的5期預(yù)測值也是非常的可靠。在比照第一個(gè)步驟的時(shí)序圖，我們可以發(fā)現(xiàn)，在預(yù)測的5個(gè)期間段中，樣本數(shù)據(jù)并沒有很大程度的波動(dòng)或很明顯的趨勢，但是相對偏向于下降的趨勢，而它對應(yīng)的置信區(qū)間也是最大的，因而數(shù)據(jù)會(huì)穩(wěn)定在這期間中，盡管如此，數(shù)據(jù)也不會(huì)有明顯的波動(dòng)，都是相對穩(wěn)定的。18.datalianxi3_18;inputx@@;time=_n_;cards;;procgplotdata=lianxi3_18;plotx*time=1;symbol1c=redI=joinv=star;run;結(jié)果分析：上圖是數(shù)據(jù)對應(yīng)的時(shí)序圖，從圖上曲線分析來看，數(shù)據(jù)并沒有周期性或者趨向性規(guī)律，因而可以初步判斷這是平穩(wěn)數(shù)列。procarimadata=lianxi3_18;identifyVar=xnlag=8;run;結(jié)果分析：本過程中，我們建立了8階自回歸分析模型，圖上依次是變量的描述性統(tǒng)計(jì)量、樣本自相關(guān)圖、樣本逆相關(guān)圖和樣本偏自相關(guān)圖。由于本次實(shí)驗(yàn)探究的是平穩(wěn)序列，因而樣本逆相關(guān)圖先不作分析。從自相關(guān)圖來看，自相關(guān)系數(shù)趨于0的速度是比擬快的，再結(jié)合時(shí)序圖來看，可以確定這組數(shù)列是屬于平穩(wěn)數(shù)列。從最后的純隨機(jī)檢驗(yàn)結(jié)果分析來看，P<0.0001，因而這是非白噪聲序列。綜上所述，該數(shù)列是平穩(wěn)非白噪聲序列，因?yàn)槲覀兛梢越RMA模型，對數(shù)據(jù)進(jìn)行擬合。首先觀察自相關(guān)圖和偏自相關(guān)圖，從這兩圖來看，偏自相關(guān)圖是1階截尾的，而自相關(guān)系數(shù)是拖尾的。因而我們可以考慮建立AR(1)模型，為了防止個(gè)人經(jīng)驗(yàn)缺乏而導(dǎo)致模型建立錯(cuò)誤，我們可以通過計(jì)算機(jī)來判斷確定。procarimadata=lianxi3_18;identifyVar=xnlag=8minicp=(0:5)q=(0:5);run;結(jié)果分析：從上圖可以看出，在眾多模型中，AR(1)模型的BIC信息量是最小的，因而我們接下來會(huì)采用AR(1)模型來進(jìn)行分析，這與我們上面人工判斷分析的結(jié)果也是吻合的。estimatep=1;run;結(jié)果分析：以上是我們建立的AR(1)模型中的參數(shù)結(jié)果。其中，我們可以看出所有的參數(shù)均是顯著的因而模型建立成立。forecastlead=5id=timeout=results;run;結(jié)果分析：以上是我們對數(shù)據(jù)進(jìn)行了5期的預(yù)測，其預(yù)測數(shù)據(jù)均可以從上圖中看出來。其中，數(shù)據(jù)從左往右分別表示序列值的序號(hào)、預(yù)測值、預(yù)測值的標(biāo)準(zhǔn)差、95%的置信下限和95%的置信上限。以下我們把這些預(yù)測的數(shù)據(jù)用圖來表現(xiàn)出來：procgplotdata=results;plotx*time=1forecast*time=2l95*time=3u95*time=3/overlay;symbol1c=blacki=nonev=star;symbol2c=redi=joinv=none;symbol3c=greeni=joinv=nonel=32;run;結(jié)果分析：該圖為預(yù)測的圖像，其中，紅色線段表示預(yù)測出來的數(shù)列，綠色的兩條線段分別表示95%的置信下限和95%的置信上限，而黑色的星號(hào)標(biāo)識(shí)那么是對應(yīng)的樣本數(shù)據(jù)值。從圖來分析，我們可以看出，黑色的樣本數(shù)據(jù)值跟我們預(yù)測出來的線段非常的吻合，因而模型建立得很不錯(cuò)。再結(jié)合上一步驟的參數(shù)結(jié)果，也就是預(yù)測的數(shù)據(jù)誤差來看，誤差都是非常的小，因而對數(shù)據(jù)的5期預(yù)測值也是非常的可靠。在比照第一個(gè)步驟的時(shí)序圖，我們可以發(fā)現(xiàn)，在預(yù)測的5個(gè)期間段中，樣本數(shù)據(jù)并沒有很大程度的波動(dòng)或很明顯的趨勢，但是相對偏向于下降的趨勢，而它對應(yīng)的置信區(qū)間也是最大的，因而數(shù)據(jù)會(huì)穩(wěn)定在這期間中，盡管如此，數(shù)據(jù)也不會(huì)有明顯的波動(dòng)，都是相對穩(wěn)定的。19.datalianxi3_19;inputx@@;time=_n_;cards;;procgplotdata=lianxi3_18;plotx*time=1;symbol1c=redI=joinv=star;run;結(jié)果分析：上圖是數(shù)據(jù)對應(yīng)的時(shí)序圖，從圖上曲線分析來看，數(shù)據(jù)并沒有周期性或者趨向性規(guī)律，因而可以初步判斷這是平穩(wěn)數(shù)列。procarimadata=lianxi3_18;identifyVar=xnlag=8;run;結(jié)果分析：本過程中，我們建立了8階自回歸分析模型，圖上依次是變量的描述性統(tǒng)計(jì)量、樣本自相關(guān)圖、樣本逆相關(guān)圖和樣本偏自相關(guān)圖。由于本次實(shí)驗(yàn)探究的是平穩(wěn)序列，因而樣本逆相關(guān)圖先不作分析。從自相關(guān)圖來看，自相關(guān)系數(shù)趨于0的速度是比擬快的，再結(jié)合時(shí)序圖來看，可以確定這組數(shù)列是屬于平穩(wěn)數(shù)列。從最后的純隨機(jī)檢驗(yàn)結(jié)果分析來看，P<0.0001，因而這是非白噪聲序列。綜上所述，該數(shù)列是平穩(wěn)非白噪聲序列，因?yàn)槲覀兛梢越RMA模型，對數(shù)據(jù)進(jìn)行擬合。首先觀察自相關(guān)圖和偏自相關(guān)圖，從這兩圖來看，偏自相關(guān)圖是不明顯截尾，而自相關(guān)系數(shù)是1階截尾的。因而我們可以考慮建立MA〔1〕模型，為了防止個(gè)人經(jīng)驗(yàn)缺乏而導(dǎo)致模型建立錯(cuò)誤，我們可以通過計(jì)算機(jī)來判斷確定。procarimadata=lianxi3_18;identifyVar=xnlag=8minicp=(0:5)q=(0:5);run;結(jié)果分析：從上圖可以看出，在眾多模型中，MA1模型的BIC信息量是最小的，因而我們接下來會(huì)采用MA(1)模型來進(jìn)行分析，這與我們上面人工判斷分析的結(jié)果也是吻合的。estimateq=1;run;結(jié)果分析：以上是我們建立的MA(1)模型中的參數(shù)結(jié)果。其中，我們可以看出所有的參數(shù)均是顯著的因而模型建立成立。forecastlead=1id=timeout=results;run;結(jié)果分析：以上是我們對數(shù)據(jù)進(jìn)行了1期的預(yù)測，其預(yù)測數(shù)據(jù)均可以從上圖中看出來。其中，數(shù)據(jù)從左往右分別表示序列值的序號(hào)、預(yù)測值、預(yù)測值的標(biāo)準(zhǔn)差、95%的置信下限和95%的置信上限。以下我們把這些預(yù)測的數(shù)據(jù)用圖來表現(xiàn)出來：procgplotdata=results;plotx*time=1forecast*time=2l95*time=3u95*time=3/overlay;symbol1c=blacki=nonev=star;symbol2c=redi=joinv=none;symbol3c=greeni=joinv=nonel=32;run;結(jié)果分析：該圖為預(yù)測的圖像，其中，紅色線段表示預(yù)測出來的數(shù)列，綠色的兩條線段分別