时间序列分析报告上机操作题Word下载.docx

1、39.243.94951.260.86748.965.467.662.555.149.657.347.344.54847.949.159.451.651.460.958.662.16460.364.67179.483.475.480.255.958.565.269.559.121.5170-47.462.26033.135.343.442.758.434.4问题：（1）判断该序列的平稳性与纯随机性。（2）选择适当模型拟合该序列的发展。（3）绘制该序列拟合及未来 5 年预测序列图针对问题一：将以下程序输入 SAS编辑窗口，然后运行后可得图 1.data example3_1;input x; t

2、ime=_n_; cards ;63.2 67.9 55.8 49.5 50.2 55.449.9 45.3 48.1 61.7 55.2 53.149.5 59.9 30.6 30.4 33.8 42.135.8 28.4 32.9 44.1 45.5 36.639.5 49.8 48.8 29 37.3 34.247.6 37.3 39.2 47.6 43.9 4951.2 60.8 67 48.9 65.4 65.467.6 62.5 55.1 49.6 57.3 47.345.5 44.5 48 47.9 49.159.4 51.6 51.4 60.9 60.9 55.858.6 62

3、.1 64 60.3 64.6 7179.4 59.9 83.4 75.4 80.2 55.958.5 65.2 69.5 59.1 21.5 62.5170 -47.4 62.2 60 33.1 35.343.4 42.7 58.4 34.4proc gplot data =example3_1;plot x*time= 1;symbol1 c=red I =join v=star; run ;图 1 该序列的时序图由图 1 可读出：除图中 170 和-47.4 这两个异常数据外，该时序图显示澳大 利亚季度常住人口变动一般在在 60 附近随机波动，没有明显的趋势或周期，基 本可视为平稳序列。

4、再接着输入以下程序运行后可输出五方面的信息。具体见表 1-表 5.proc arima data = example3_1;identify Var=x nlag =8;run ;表 1 分析变量的描述性统计从表 1 可读出分析变量的名称、 该序列的均值； 标准差及观察值的个数 （样 本容量）。表 2 样本自相关图由表 2可知：样本自相图延迟 3阶之后，自相关系数都落入 2 倍标准差范围 以内，而且自相关系数向零衰减的速度非常快，故可以认为该序列平稳。表 3 样本自相关系数该图从左到右输出的信息分别为： 延迟阶数、逆自相关系数值和逆自相关图表 4 样本偏自相关图该图从左到右输出信息是：延迟阶数

5、、偏自相关系数值和偏自相关图表 5 纯随机性检验结果由上表可知在延迟阶数为 6 阶时， LB检验统计量的 P 值很小，所以可以断 定该序列属于非白噪声序列。针对问题二：将 IDENTIFY 命令中增加一个可选命令 MINIC，运行以下程序 可得到表 6.表 6 IDENTIFY 命令输出的最小信息量结果通过上表可知：在自相关延迟阶数小于等于 5，移动平均延迟阶数也小于等 于 5 的所有 ARM（A p,q ）模型中， BIC信息量相对最小的是 ARMA（1，3） 模型。进行参数估计，输入以下命令，运行可得到表 7表 10estimate p=1 q=3;表 7 ESTIMATE 命令输出的位置

6、参数估计结果表 8 ESTIMATE命令输出的拟合统计量的值表 9 ESTIMATE 命令输出的系数相关阵表 10 ESTIMATE 命令输出的残差自相关检验结果拟合模型的具体形式如表 11 所示表 11 ESTIMATE 命令输出的拟合模型形式针对问题三：对拟合好的模型进行短期预测。输入以下命令，运行可得表 12 和 图 2.forecast lead =5 id =time out =results;proc gplot data =results;plot x*time= 1 forecast*time= 2 l95*time= 3 u95*time= 3/ overlay ;symbo

7、l1 c=black i =none v=star;symbol2 c=red i =join v=none;symbol3 c=green i =join v=none l =32;表 12 forecast 命令输出的预测结果5.我国 1949-2008年末人口总数（单位：万人）序列如下表。54167551965630057482587966026661465628286465365994672076620765859672956917270499725387454276368785348067182992852298717789211908599242093717949749625997

8、54298705100072101654103008104357105851107507109300111026112704114333115823117171118517119850121121122389123626124761125786126743127627128453129227129988130756131448132129132802选择合适模型拟合该序列的长期趋势，并作 5 期预测 采用 SAS软件运行下列程序：data example5 1;input x t=_n_;proc gplot ;plot x*t= 1;symbol1 i =join v =none c =bl

9、avk; run;图 3 该序列的时序图通过时序图可以得知， 该序列有明显的线性递增趋势， 故用线性回归模型来 拟合。在接着在编辑窗口输入以下命令，运行程序：proc autoreg data =example5_1;model x=t;run;表12 AUTOREG过程输出线性拟合结果proc gplot data =out;plot x*t= _type_ / href =2008; symbol1 i =none v =star c =black; symbol2 i =join v =none c =red; symbol3 i =join v =none c =green l =2;

10、 symbol4 i =join v =none c =green l =2;表 13 FORECAST过程 OUT命令输出数据集图示该表有四个变量：时间变量，类型变量，预测时期标示变量，序列值变量表 14 FORECAS过T 程 OUTSET命令输出数据集图示此表可以查看预测过程中相关参数及拟合效果。 这些信息分为三部分： （1）关于序列的基本信息。序列样本个数、非缺失数据个数、拟合模型自 由度、残差标准差。（2）关玉预测模型的参数估计信息。线性模型的常数估计值、线性模型的 斜率、残差自回归的参数估计值。（3）拟合优度统计量信息。图 4 FORECAST过程预测效果图7.某地区 1962-1970 年平均每头奶牛的月度产奶量数据（单位：磅）如下表。589561640656727697599568577553582600566653673742716660617583587565598628618667057707366786396046115946346586227097227827567026156216026356777558117987356616676456887137627848378177676816876987176967757968588267837407017067117346907858058718458017647