时间序列分析第二章时间序列的预处理.docx
《时间序列分析第二章时间序列的预处理.docx》由会员分享，可在线阅读，更多相关《时间序列分析第二章时间序列的预处理.docx（14页珍藏版）》请在冰豆网上搜索。
时间序列分析第二章时间序列的预处理
应用时间序列分析实验报告
实验名称第二章时间序列的预处理
一、上机练习
2.4.1绘制时序图
dataexample2_1;
inputprice1price2;
time=intnx（'month','01jul2004'd,_n_-1）;
formattimedate.;
cards;
12.8515.21
13.2914.23
12.4114.69
15.2113.27
14.2316.75
13.5615.33
;
procgplotdata=example2_1;
plotprice1*time=1price2*time=2/overlay;
symbol1c=blackv=stari=join;
symbol2c=redv=circlei=spline;
run;
语句说明：
（1）“procgplotdata=example2_1；”是告诉系统，下面准备对临时数据集example2_1中的数据绘图。
（2）“plotprice1*time=1price2*time=2/overlay;”是要求系统要绘制两条时序曲线。
（3）“symbol1c=blackv=stari=join;”，symbol语句是专门指令绘制的格式。
输出的时序图见下图：
两时间序列重叠显示时序图
2.4.2平稳性与纯随机性检验
1、平稳性检验
为了判断序列是否平稳，除了需要考虑时序图的性质，还需要对自相关图进行检验。
SAS系统ARIMA过程中的IDENTIFY语句可以提供非常醒目的自相关图。
dataexample2_2;
inputfreq;
year=intnx（'year','1jan1970'd,_n_-1）;
formatyearyear4.;
cards;
97154137.7149164157188204179210202218209
204211206214217210217219211233316221239
215228219239224234227298332245357301389
;
procarimadata=example2_2;
identifyvar=freq;
run;
语句说明：
（1）“procarimadata=example2_2;”是告诉系统，下面要对临时数据集example2_2中的数据进行ARIMA程序分析。
（2）“identifyvar=freq;”是对指令变量freq的某些重要性质进行识别。
执行本例程序，IDENTIFY语句输出的描述性信息如下：
这部分给出了分析变量的名称、序列均值、标准差和观察值个数。
IDENTIFY语句输出结果的第二部分分为自相关图，本例获得的样本自相关见下图。
序列FREQ样本自相关图
其中：
Lag——延迟阶数。
Covariance——延迟阶数给定后的自协方差函数。
Correlation——自相关系数的标准差。
“.”——2倍标准差围。
2、纯随机性检验
为了判断序列是否有分析价值，我们必须对序列进行纯随机性检验，即白噪声检验。
在IDENTIFY输出结果的最后一部分信息就是白噪声检验结果。
本例中白噪声检验输出结果如下：
其中：
ToLag——延迟阶数。
检验结果显示，在6阶延迟下LB检验统计量的P值非常小（<0.0001），所以我们可以以很大的把握（置信水平>99.999%）断定该序列属于非白噪声序列。
2、课后习题
2.1975-1980年夏威夷岛莫那罗亚火山（Maunaloa）每月释放的
数据如下（单位：
ppm），见表2-7.
330.45
330.97
331.64
332.87
333.61
333.55
331.9
330.05
328.58
328.31
329.41
330.63
331.63
332.46
333.36
334.45
334.82
334.32
333.05
330.87
329.24
328.87
330.18
331.5
332.81
333.23
334.55
335.82
336.44
335.99
334.65
332.41
331.32
330.73
332.05
333.53
334.66
335.07
336.33
337.39
337.65
337.57
336.25
334.39
332.44
332.25
333.59
334.76
335.89
336.44
337.63
338.54
339.06
338.95
337.41
335.71
333.68
333.69
335.05
336.53
337.81
338.16
339.88
340.57
341.19
340.87
339.25
337.19
335.49
336.63
337.74
338.36
（1）绘制序列时序图，并判断该系列是否平稳。
实验程序：
dataexample2_1;
inputppm;
time=intnx（'month','01jan1975'd,_n_-1）;
formattimedate.;
cards;
330.45330.97331.64332.87333.61333.55
331.90330.05328.58328.31329.41330.63
331.63332.46333.36334.45334.82334.32
333.05330.87329.24328.87330.18331.50
332.81333.23334.55335.82336.44335.99
334.65332.41331.32330.73332.05333.53
334.66335.07336.33337.39337.65337.57
336.25334.39332.44332.25333.59334.76
335.89336.44337.63338.54339.06338.95
337.41335.71333.68333.69335.05336.53
337.81338.16339.88340.57341.19340.87
339.25337.19335.49336.63337.74338.36
;
procgplotdata=example2_1;
plotppm*time=1;
symbol1c=blackv=stari=join;
run;
实验结果：
实验分析体会：
时序图给我们的提供的信息非常明确，夏威夷岛莫那罗亚火山（Maunaloa）每月释放的
时间序列图有明显的递增趋势，所以它不是平稳序列。
（2）计算该序列的样本自相关系数
。
实验程序：
dataexample2_1;
inputppm;
time=intnx（'month','01jan1975'd,_n_-1）;
formattimedate.;
cards;
330.45330.97331.64332.87333.61333.55
331.90330.05328.58328.31329.41330.63
331.63332.46333.36334.45334.82334.32
333.05330.87329.24328.87330.18331.50
332.81333.23334.55335.82336.44335.99
334.65332.41331.32330.73332.05333.53
334.66335.07336.33337.39337.65337.57
336.25334.39332.44332.25333.59334.76
335.89336.44337.63338.54339.06338.95
337.41335.71333.68333.69335.05336.53
337.81338.16339.88340.57341.19340.87
339.25337.19335.49336.63337.74338.36
;
procarimadata=example2_1;
identifyvar=ppm;
run;
实验结果:
Correlation
0.90751
0.72171
0.51252
0.34982
0.2469
0.20309
0.21021
0.26429
0.36433
0.48472
0.58456
0.60198
0.51841
0.36856
0.20671
0.08138
0.00135
-0.03248
（3）绘制该样本自相关图，并解释该图形。
自相关图显示序列子相关系数长期位于零轴的一边，这是具有单调趋势序列的典型特征，同时自相关图呈现出明显的正弦波动规律，这是具有周期变化规律的非平稳序列的典型特征。
自相关图显示出来的这两个性质和该序列时序图显示的带长期递增趋势的周期性质是非常吻合的。
3.1945-1950年费城月度降雨量数据如下（单位：
mm）
实验程序：
dataexample2_3;
inputfreq;
time=intnx（'month','1jan1945'd,_n_-1）;
formattimedate.;
cards;
69.380.040.974.984.6101.1225.095.3100.648.3144.5128.3
38.452.368.637.1148.6218.7131.6112.881.831.047.570.1
96.861.555.6171.7220.5119.463.2181.673.964.8166.948.0
137.780.5105.289.9174.8124.086.4136.931.535.3112.3143.0
160.897.080.562.5158.27.6165.9106.792.263.226.277.052.3
105.4114.349.5116.154.1148.6159.385.367.3112.859.4
;
procarimadata=example2_3;
identifyvar=freq;
run;
自相关图：
（1）计算该序列的样本自相关系数
。
从上面的自相关图可以看出样本的自相关系数为
Correlation
0.06005
-0.04326
-0.09752
-0.21647
-0.13151
-0.05730
0.03337
-0.09036
-0.00232
0.02520
0.16991
0.02973
-.16785
-.15233
-.18319
0.08096
（2）判断该序列的平稳性。
如下图是该序列的时序图：
根据序列图可以知道，图上可以看出该序列在一个常值附近上下波动，且不具有周期性，判断该序列为平稳序列。
（3）判断该序列的纯随机性。
本序列的检验结果如下：
由于P值显著大于显著性水平0.05，所以该序列不能拒绝纯随机的原假设。
因而可以认为费城月度降雨量的变动属于纯随机波动。
5.表2-9数据是某公司在2000-2003年期间每月的销售量。
（1）绘制该序列时序图及样本自相关图。
实验程序：
dataexample2_3;
inputnumber;
time=intnx（'month','1jan2000'd,_n_-1）;
formattimeyymmdd10.;
cards;
1531872342123002212011751231048578
1341752432272982562371651241068774
145203189214295220231174119856775
117178149178248202162135120969063
;
procgplotdata=example2_3;
plotnumber*time=1;
symbol1c=blackv=stari=join;
procarimadata=example2_3;
identifyvar=number;
run;
时序图
自相关图：
（2）判断该序列的平稳性
答：
从
（1）的时序图可以看出，该序列在一个常值附近上下波动，但据周期性，因此判定该序列为不平稳序列。
（3）判断该序列的纯随机性。
本例检验输出结果如下：
检验结果显示，在各阶延迟下LB检验统计量的P值非常小（<0.0001），所以我们可以以很大的把握（置信水平>99.999%）断定该序列属于非白噪声序列。
因而认为该公司在2000-2003年期间每月的销售量的变动不属于随机波动。
升级会员 