时间序列分析sas各种模型作业神器Word文档格式.docx
《时间序列分析sas各种模型作业神器Word文档格式.docx》由会员分享，可在线阅读，更多相关《时间序列分析sas各种模型作业神器Word文档格式.docx（44页珍藏版）》请在冰豆网上搜索。
odslistingclose;
5、run;
提交程序，在graph窗口中观察序列，可以看出此序列是均值平稳序列。
6、识别模型，输入如下程序。
7、提交程序，观察输出结果。
初步识别序列为AR
（2）模型。
8、估计和诊断。
输入如下程序：
9、提交程序，观察输出结果。
假设通过了白噪声检验，且模型合理，则进行预测。
10、进行预测，输入如下程序：
11、提交程序，观察输出结果。
12、退出SAS系统，关闭计算机。
总程序：
dataexp1;
infile"
D:
\exp1.txt"
;
inputa1;
year=intnx（'
year'
'
1jan1742'
d,_n_-1）;
formatyearyear4.;
procprint;
run;
procgplotdata=exp1;
symboli=splinev=doth=1cv=redci=greenw=1;
plota1*year/autovreflvref=2cframe=yellowcvref=black;
title"
太阳黑子数序列"
procarimadata=exp1;
identifyvar=a1nlag=24minicp=（0:
5）q=（0:
5）;
estimatep=3;
forecastlead=6interval=yearid=yearout=out;
procprintdata=out;
选取拟合模型的规则:
1.模型显著有效（残差检验为白噪声）
2.模型参数尽可能少
3.结合自相关图和偏自相关图以及minic条件（BIC信息量最小原则）,选取显著有效的参数
实验二模拟AR模型
一、实验目的：
熟悉各种AR模型的样本自相关系数和偏相关系数的特点，为理
论学习提供直观的印象。
二、实验容：
随机模拟各种AR模型。
三、实验要求：
记录各AR模型的样本自相关系数和偏相关系数，观察各种序列
图形，总结AR模型的样本自相关系数和偏相关系数的特点
四、实验时间：
五、实验软件：
六、实验步骤
2、模拟实根情况，模拟过程。
3、在edit窗中输入如下程序：
4、观察输出的数据，输入如下程序，并提交程序。
观察样本自相关系数和偏相关系数，输入输入如下程序，并提交程序。
作为作业把样本自相关系数和偏相关系数记录下来。
5、估计模型参数，并与实际模型的系数进行对比，即输入如下程序，并提交。
6、模拟虚根情况，模拟过程。
重复步骤3-7即可（但部分程序需要修改，请读者自己完成）。
7、模拟AR（3）模型，模拟过程。
重复步骤3-7即可（但部分程序需要修改，请读者自己完成）.
10、回到graph窗口观察各种序列图形的异同
11、退出SAS系统,关闭计算机.
总程序:
title;
dataa;
x1=0.5;
x2=0.5;
doi=-50to250;
a=rannor（32565）;
x=a-0.6*x1+0.4*x2;
x2=x1;
x1=x;
output;
end;
procprintdata=a;
varx;
procgplotdata=a;
symboli=splinec=red;
plotx*i/haxis=-50to255by20;
quit;
procarimadata=a;
identifyvar=xnlag=10minicp=（0:
3）q=（0:
3）outcov=exp1;
estimatep=2noint;
procgplotdata=exp1;
symboli=needlewidth=6;
plotcorr*lag;
plotpartcorr*lag;
实验三模拟MA模型和ARMA模型
熟悉各种MA模型和ARMA模型的样本自相关系数和偏相关系数
的特点，为理论学习提供直观的印象。
随机模拟各种MA模型和ARMA模型。
记录各MA模型和ARMA模型的样本自相关系数和偏相关系数，
观察各序列的异同，总结MA模型和ARMA模型的样本自相关系
数和偏相关系数的特点
1、开机进入SAS系统。
2、模拟情况，模拟过程。
3在edit窗中输入如下程序：
4、观察输出的数据序列，输入如下程序，并提交程序。
5、观察样本自相关系数和偏相关系数，输入输入如下程序，并提交程序。
6、估计模型参数，并与实际模型的系数进行对比，即输入如下程序，并提交。
7、模拟情况，模拟过程。
8、模拟情况，模拟过程。
9、模拟情况，模拟过程。
10、模拟ARMA模型，模拟过程。
11、回到graph窗口观察各种序列图形的异同。
12、退出SAS系统,关闭计算机.
a1=0;
a2=0;
don=1to250;
x=a+0.65*a1+0.24*a2;
a2=a1;
a1=a;
symboli=splineh=1w=1;
plotx*n/haxis=-10to260by10;
estimateq=2noint;
symbol1i=needlec=red;
plotcorr*lag=1;
symbol2i=needlec=green;
plotpartcorr*lag=2;
实验四分析化工生产量数据
进一步熟悉时间序列建模的基本步骤，掌握用SACF及SPACF定
模型的阶的方法。
分析化工生产过程的产量序列。
掌握ARMA模型建模的基本步骤，初步掌握数据分析技巧。
写出
实验报告。
2、创建名为exp2的SAS数据集，即在窗中输入下列语句：
5、提交程序，在graph窗口中观察序列，可以看出此序列是均值平稳序列。
7、提交程序，观察输出结果，发现二阶样本自相关系数和一阶的样本偏相关系数都在2倍的标准差之外，那么我们首先作为一阶AR模型估计，输入如下程序：
8、提交程序，观察输出结果，发现残差能通过白噪声检验，但它的二阶的样本偏相关系数比较大，那么我们考虑二阶AR模型。
9、提交程序，观察输出结果，发现残差样本自相关系数和样本偏相关系数都
在2倍的标准差之。
且能通过白噪声检验。
比较两个模型的AIC和SBC,
发现第二个模型的AIC和SBC都比第一个的小，故我们选择第二个模型为
我们的结果。
10、记录参数估计值，写出模型方程式。
11、进行预测，输入如下程序：
12、提交程序，观察输出结果。
13、退出SAS系统，关闭计算机。
dataexp2;
infile"
inputx;
n=_n_;
procgplotdata=exp2;
symboli=joinv=starh=2ci=greencv=red;
plotx*n/vref=305070cvref=redlvref=2;
procarimadata=exp2;
identifyvar=xnlag=12minicp=（0:
3）;
estimateplotp=1;
forecastlead=2out=out;
实验五模拟ARIMA模型和季节ARIMA模型
熟悉各种ARIMA模型的样本自相关系数和偏相关系数的特点，
区别各种ARIMA模型的图形，为理论学习提供直观的印象。
一、实验容：
随机模拟各种ARIMA模型。
二、实验要求：
记录各ARIMA模型的样本自相关系数和偏相关系数观察各序列
图形的异同，总结ARIMA模型的样本自相关系数和偏相关系数
的特点
三、实验时间：
四、实验软件：
五、实验步骤
1.开机进入SAS系统。
2.2、模拟ARIMA（0,1,1）过程，模拟过程。
3.创建数据集，在edit窗中输入如下程序：
4、观察输出的数据序列，输入如下程序：
。
5、提交程序，在Graph窗口中观察图形。
6、观察样本自相关系数和偏相关系数，输入输入如下程序：
提交程序，发现自相关系数成缓慢下降的趋势，说明要做差分运算，做一阶差分运算，输入如下程序：
7、提交程序，观察样本自相关系数与样本偏相关系数，发现自相关系数1阶截尾，故判断差分后序列为MA
（1）模型。
进行模型参数估计，输入如下程序：
8、提交程序，并观察残差图，发现模型拟合完全。
10、写出模型的方程，并与真实模型对比。
x1=0.9;
don=0to250;
x=x1+a-0.8*a1;
升级会员 