sas经济时间序列分各种模型分析docxWord文件下载.docx

1、22实验十 回归与时序相结合的建模25太阳黑子年度数据28美国国民收入数据29化工生产过程的产量数据30国际航线月度旅客数据洛杉矶臭氧每小时读数的月平均值数据31煤气炉数据35芝加哥某食品公司大众食品周销售数据37牙膏市场占有率周数据39某公司汽车生产数据44加拿大山猫数据 实验一 分析太阳黑子数序列一、实验目的：了解时间序列分析的基本步骤，熟悉SAS/ETS软件使用方法。二、实验内容：分析太阳黑子数序列。三、实验要求：了解时间序列分析的基本步骤，注意各种语句的输出结果。四、实验时间：2小时。五、实验软件：SAS系统。六、实验步骤1、开机进入SAS系统。2、 创建名为exp1的SAS数据集，即

2、在窗中输入下列语句：3、 保存此步骤中的程序，供以后分析使用（只需按工具条上的保存按钮然后填写完提问后就可以把这段程序保存下来即可）。4、 绘数据与时间的关系图，初步识别序列，输入下列程序：ods html;ods listing close;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

3、SAS系统，关闭计算机。总程序：data exp1;infile D:exp1.txt;input a1 ;year=intnx（year,1jan1742d,_n_-1）;format year year4.;proc print;run;proc gplot data=exp1 ; symbol i=spline v=dot h=1 cv=red ci=green w=1; plot a1*year/autovref lvref=2 cframe=yellow cvref=black ; title 太阳黑子数序列 proc arima data=exp1; identify var=a1

4、 nlag=24 minic p=（0:5） q=（0:5）; estimate p=3; forecast lead=6 interval=year id=year out=out;proc print data=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、 实验内容：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

5、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

6、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;data a; x1=0.5;x2=0.5;do i=-50 to 250;a=rannor（32565）;x=a-0.6*x1+0.4*x2;x2=x1;x1=x;output;end;proc print data=a;var x;proc gplot data=a;symbol i=spline c=red;plot x*i/haxis=-50 to 255 by 20;quit;proc arima data=a;identify var=x nlag=10 minic p=（0:3） q=（0:3） ou

7、tcov=exp1;estimate p=2 noint;proc gplot data=exp1;symbol i=needle width=6;plot corr*lag;plot partcorr*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3 在edit窗中输入如下程序：4、观

8、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8、 模拟9、 模拟10、 模拟ARMA模型，模拟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;do n=1to 250;x=a+0.65*a1+0.24*a2;a2=a1;a1=a;symbol i=spline h=1 w=1;plot x*n /haxis=-10 to 260 by 10;estimate q=2 noint;symbo

9、l1 i=needle c=red;plot corr*lag=1;symbol2 i=needle c=green;plot partcorr*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