1、时间序列分析SAS第3章时间序列分析(SAS)第3章佛山科学技术学院应 用 时 间 序 列 分 析 实 验 报 告实验名称 第三章 平稳时间序列分析 专业班级 10数学与应用数学 姓 名 林敏杰 学 号 22 一、上机练习程序及其结果分析:data ex3_1;input x;time=_n_;cards; ;proc gplot data=ex3_1;plot x*time=1;symbol1 c=red I=join v=star;run;结果分析: 上图是数据对应的时序图,从图上曲线分析来看,数据并没有周期性或者趋向性规律,因而可以初步判断这是平稳数列。proc arima data=e
2、x3_1;identify Var=x nlag=8;run;结果分析:本过程中,我们建立了8阶自回归分析模型,图上依次是变量的描述性统计量、样本自相关图、样本逆相关图和样本偏自相关图。由于本次实验探究的是平稳序列,因而样本逆相关图先不作分析。从自相关图来看,自相关系数趋于0的速度是比较快的,再结合时序图来看,可以确定这组数列是属于平稳数列。从最后的纯随机检验结果分析来看,P的,也就说明它是不显着的,而其他参数均是显着的,为了使模型拟合得更优,我们应该除去常数项,再进行模型分析比较。estimate q=4 noint;run;结果分析:以上是我们删去了常数项之后的结果。从上述参数分析来看,所
3、有的参数的t检验统计量的P值都是的,因而它们都是显着的。因而我们建立了MA(4)模型如下:forecast lead=5 id=time out=results;run;结果分析: 以上是我们对数据进行了5期的预测,其预测数据均可以从上图中看出来。其中,数据从左往右分别表示序列值的序号、预测值、预测值的标准差、95%的置信下限和95%的置信上限。以下我们把这些预测的数据用图来表现出来:proc gplot data=results;plot x*time=1 forecast*time=2 l95*time=3 u95*time=3/overlay;symbol1 c=black i=none
4、 v=star;symbol2 c=red i=join v=none;symbol3 c=green i=join v=none l=32;run;结果分析:该图为预测的图像,其中,红色线段表示预测出来的数列,绿色的两条线段分别表示95%的置信下限和95%的置信上限,而黑色的星号标识则是对应的样本数据值。从图来分析,我们可以看出,黑色的样本数据值跟我们预测出来的线段非常的吻合,因而模型建立得很不错。再结合上一步骤的参数结果,也就是预测的数据误差来看,误差都是非常的小,因而对数据的5期预测值也是非常的可靠。在对比第一个步骤的时序图,我们可以发现,在预测的5个期间段中,样本数据并没有很大程度的波
5、动或很明显的趋势,但是相对偏向于下降的趋势,而它对应的置信区间也是最大的,因而数据会稳定在这期间中,尽管如此,数据也不会有明显的波动,都是相对稳定的。二、课后习题(老师布置的习题部分) lianxi3_17;input x;time=_n_;cards; 25 79 58 83 97 110;proc gplot data=lianxi3_17;plot x*time=1;symbol1 c=red I=join v=star;run;结果分析: 上图是数据对应的时序图,从图上曲线分析来看,数据并没有周期性或者趋向性规律,因而可以初步判断这是平稳数列。proc arima data=lianx
6、i3_17;identify Var=x nlag=8;run;结果分析:本过程中,我们建立了8阶自回归分析模型,图上依次是变量的描述性统计量、样本自相关图、样本逆相关图和样本偏自相关图。由于本次实验探究的是平稳序列,因而样本逆相关图先不作分析。从自相关图来看,自相关系数趋于0的速度是比较快的,再结合时序图来看,可以确定这组数列是属于平稳数列。从最后的纯随机检验结果分析来看,P,因而这是非白噪声序列。综上所述,该数列是平稳非白噪声序列,因为我们可以建立ARMA模型,对数据进行拟合。首先观察自相关图和偏自相关图,从这两图来看,偏自相关图是1阶截尾的,而篇相关系数是拖尾的。因而我们可以考虑建立AR
7、(1)模型,为了避免个人经验不足而导致模型建立错误,我们可以通过计算机来判断确定。proc arima data=lianxi3_17;identify Var=x nlag=8 minic p=(0:5) q=(0:5);run;结果分析: 从上图可以看出,在众多模型中,MA(4)模型的BIC信息量是最小的,因而我们接下来会采用MA(4)模型来进行分析,这与我们上面人工判断分析的结果也是吻合的。estimate p=1;run;结果分析:以上是我们建立的AR(1)模型中的参数结果。其中,我们可以看出所有的参数均是显着的,为了使模型拟合得更优,我们应该除去常数项,再进行模型分析比较。forec
8、ast lead=5 id=time out=results;run;结果分析: 以上是我们对数据进行了5期的预测,其预测数据均可以从上图中看出来。其中,数据从左往右分别表示序列值的序号、预测值、预测值的标准差、95%的置信下限和95%的置信上限。以下我们把这些预测的数据用图来表现出来: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=join v=none;symbol3 c=gree
9、n i=join v=none l=32;run;结果分析:该图为预测的图像,其中,红色线段表示预测出来的数列,绿色的两条线段分别表示95%的置信下限和95%的置信上限,而黑色的星号标识则是对应的样本数据值。从图来分析,我们可以看出,黑色的样本数据值跟我们预测出来的线段非常的吻合,因而模型建立得很不错。再结合上一步骤的参数结果,也就是预测的数据误差来看,误差都是非常的小,因而对数据的5期预测值也是非常的可靠。在对比第一个步骤的时序图,我们可以发现,在预测的5个期间段中,样本数据并没有很大程度的波动或很明显的趋势,但是相对偏向于下降的趋势,而它对应的置信区间也是最大的,因而数据会稳定在这期间中,
10、尽管如此,数据也不会有明显的波动,都是相对稳定的。18.data lianxi3_18;input x;time=_n_;cards; ;proc gplot data=lianxi3_18;plot x*time=1;symbol1 c=red I=join v=star;run;结果分析: 上图是数据对应的时序图,从图上曲线分析来看,数据并没有周期性或者趋向性规律,因而可以初步判断这是平稳数列。proc arima data=lianxi3_18;identify Var=x nlag=8;run;结果分析:本过程中,我们建立了8阶自回归分析模型,图上依次是变量的描述性统计量、样本自相关图
11、、样本逆相关图和样本偏自相关图。由于本次实验探究的是平稳序列,因而样本逆相关图先不作分析。从自相关图来看,自相关系数趋于0的速度是比较快的,再结合时序图来看,可以确定这组数列是属于平稳数列。从最后的纯随机检验结果分析来看,P,因而这是非白噪声序列。综上所述,该数列是平稳非白噪声序列,因为我们可以建立ARMA模型,对数据进行拟合。首先观察自相关图和偏自相关图,从这两图来看,偏自相关图是1阶截尾的,而自相关系数是拖尾的。因而我们可以考虑建立AR(1)模型,为了避免个人经验不足而导致模型建立错误,我们可以通过计算机来判断确定。proc arima data=lianxi3_18;identify V
12、ar=x nlag=8 minic p=(0:5) q=(0:5);run;结果分析: 从上图可以看出,在众多模型中,AR(1)模型的BIC信息量是最小的,因而我们接下来会采用AR(1)模型来进行分析,这与我们上面人工判断分析的结果也是吻合的。estimate p=1;run;结果分析:以上是我们建立的AR(1)模型中的参数结果。其中,我们可以看出所有的参数均是显着的因而模型建立成立。forecast lead=5 id=time out=results;run;结果分析: 以上是我们对数据进行了5期的预测,其预测数据均可以从上图中看出来。其中,数据从左往右分别表示序列值的序号、预测值、预测值
13、的标准差、95%的置信下限和95%的置信上限。以下我们把这些预测的数据用图来表现出来: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=join v=none;symbol3 c=green i=join v=none l=32;run;结果分析:该图为预测的图像,其中,红色线段表示预测出来的数列,绿色的两条线段分别表示95%的置信下限和95%的置信上限,而黑色的星号标识则是对应的样本数
14、据值。从图来分析,我们可以看出,黑色的样本数据值跟我们预测出来的线段非常的吻合,因而模型建立得很不错。再结合上一步骤的参数结果,也就是预测的数据误差来看,误差都是非常的小,因而对数据的5期预测值也是非常的可靠。在对比第一个步骤的时序图,我们可以发现,在预测的5个期间段中,样本数据并没有很大程度的波动或很明显的趋势,但是相对偏向于下降的趋势,而它对应的置信区间也是最大的,因而数据会稳定在这期间中,尽管如此,数据也不会有明显的波动,都是相对稳定的。19.data lianxi3_19;input x;time=_n_;cards; ;proc gplot data=lianxi3_18;plot
15、x*time=1;symbol1 c=red I=join v=star;run;结果分析: 上图是数据对应的时序图,从图上曲线分析来看,数据并没有周期性或者趋向性规律,因而可以初步判断这是平稳数列。proc arima data=lianxi3_18;identify Var=x nlag=8;run;结果分析:本过程中,我们建立了8阶自回归分析模型,图上依次是变量的描述性统计量、样本自相关图、样本逆相关图和样本偏自相关图。由于本次实验探究的是平稳序列,因而样本逆相关图先不作分析。从自相关图来看,自相关系数趋于0的速度是比较快的,再结合时序图来看,可以确定这组数列是属于平稳数列。从最后的纯随
16、机检验结果分析来看,P,因而这是非白噪声序列。综上所述,该数列是平稳非白噪声序列,因为我们可以建立ARMA模型,对数据进行拟合。首先观察自相关图和偏自相关图,从这两图来看,偏自相关图是不明显截尾,而自相关系数是1阶截尾的。因而我们可以考虑建立MA(1)模型,为了避免个人经验不足而导致模型建立错误,我们可以通过计算机来判断确定。proc arima data=lianxi3_18;identify Var=x nlag=8 minic p=(0:5) q=(0:5);run;结果分析: 从上图可以看出,在众多模型中,MA1模型的BIC信息量是最小的,因而我们接下来会采用MA(1)模型来进行分析,
17、这与我们上面人工判断分析的结果也是吻合的。estimate q=1;run;结果分析:以上是我们建立的MA(1)模型中的参数结果。其中,我们可以看出所有的参数均是显着的因而模型建立成立。forecast lead=1 id=time out=results;run;结果分析: 以上是我们对数据进行了1期的预测,其预测数据均可以从上图中看出来。其中,数据从左往右分别表示序列值的序号、预测值、预测值的标准差、95%的置信下限和95%的置信上限。以下我们把这些预测的数据用图来表现出来:proc gplot data=results;plot x*time=1 forecast*time=2 l95*
18、time=3 u95*time=3/overlay;symbol1 c=black i=none v=star;symbol2 c=red i=join v=none;symbol3 c=green i=join v=none l=32;run;结果分析:该图为预测的图像,其中,红色线段表示预测出来的数列,绿色的两条线段分别表示95%的置信下限和95%的置信上限,而黑色的星号标识则是对应的样本数据值。从图来分析,我们可以看出,黑色的样本数据值跟我们预测出来的线段非常的吻合,因而模型建立得很不错。再结合上一步骤的参数结果,也就是预测的数据误差来看,误差都是非常的小,因而对数据的1期预测值也是非常
19、的可靠。在对比第一个步骤的时序图,我们可以发现,在预测的1个期间段中,样本数据并没有很大程度的波动或很明显的趋势,但是相对偏向于下降的趋势,而它对应的置信区间也是最大的,因而数据会稳定在这期间中,尽管如此,数据也不会有明显的波动,都是相对稳定的。三、实验体会这一章是针对平稳非白噪声序列所建立的一种常用模型。对我们日后分析数据,以及建立数据模型有非常大的影响。学完这一章后,我们对SAS的应用有了一种比较实际的应用了。数据与时间存在一种特殊的关系,有时候不一定能从理论上说出来,但是我们可以通过对大量的数据进行分析,发现其中的规律,并建立好适应的模型,这样有助于我们探究数据,同时对我们预测数据也起到非常大的作用。从这一章,我们可以看到,第三章虽然是独立分开的一个章节,但是它与第一第二章都离不开,有着一定的联系,之前的内容都是作为铺垫,先对数据进行初步分析,然后再建模,再预测。生活中很多时候需要我们对未知的事情进行估计,进行预测,因而需要我们建立好适当的,比较精确的模型,而这一章只是教了我们其中的一种,之后还有很多种情况需要我们慢慢探究。但是,再探究之余,我们不能忘了最基础的数据分析,这是我们建模前的必要工作。
copyright@ 2008-2022 冰豆网网站版权所有
经营许可证编号:鄂ICP备2022015515号-1