时间的序列地预处理.docx

1、时间的序列地预处理应 用 时 间 序 列 分 析 实 验 报 告 一、上机练习（就是每章最后一节上机指导部分）1、绘制时序图 data example2_1; input price1 price2; time=intnx(month,01jul2004d,_n_-1); format time date.; cards;12.85 15.2113.29 14.2312.41 14.6915.21 13.2714.23 16.7513.56 15.33 ; proc gplot data=example2_1; plot price1*time=1 price2*time=2/overlay;

2、 symbol1 c=black v=star i=join; symbol2 c=red v=circle i=spline; run;实验结果：两时间序列重叠显示时序图 实验分析：该时序图显示了price1每年始终围绕在14附近随机波动，没有明显趋势或周期，基本可以视为平稳序列。price2每年始终围绕在15附近随机波动，没有明显趋势或周期，也基本可以视为平稳序列。2、平稳性与纯随机性检验1平稳性检验data example2_2;input freq;year=intnx (year,1jan1970d,_n_-1);format year year4.;ards;97 154 137.

3、7 149 164 157 188 204 179 210 202 218 209204 211 206 214 217 210 217 219 211 233 316 221 239215 228 219 239 224 234 227 298 332 245 357 301 389 ；proc arima data=example2_2;identify var=freq;run; 实验结果：图一图二：序列FREQ样本自相关图 实验分析：根据图一我们可以得出分析变量的名称为freq，序列的均值为222.941，序列的标准差为56.82834,观察值的个数为39个。图二的自相关图显示序列子相

4、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，带长期递减趋势的。故该序列不平稳。2纯随机性检验data example2_2;input freq;year=intnx (year,1jan1970d,_n_-1);format year year4.;ards;97 154 137.7 149 164 157 188 204 179 210 202 218 209204 211 206 214 217 210 217 219 211 233 316 221 239215 228 219 239 224 234 227 298 332 245 357 301 389 ；proc a

5、rima data=example2_2;identify var=freq;run; 实验结果： 实验分析：检验结果显示，在各阶延迟下LB检验统计量的P值都非常小（99.999%）判定该序列为非白噪声序列，即非纯随机序列。2、课后习题（老师布置的习题部分） 2.1975-1980年夏威夷岛莫那罗亚火山（Mauna loa）每月释放的 数据如下（单位：ppm），见表2-7.330.45330.97331.64332.87333.61333.55331.9330.05328.58328.31329.41330.63331.63332.46333.36334.45334.82334.32333.0

6、5330.87329.24328.87330.18331.5332.81333.23334.55335.82336.44335.99334.65332.41331.32330.73332.05333.53334.66335.07336.33337.39337.65337.57336.25334.39332.44332.25333.59334.76335.89336.44337.63338.54339.06338.95337.41335.71333.68333.69335.05336.53337.81338.16339.88340.57341.19340.87339.25337.19335.49

7、336.63337.74338.36（1）绘制序列时序图，并判断该系列是否平稳。 data example2_1;input price;time=intnx(month,01jan1975d,_n_-1);format time date.;cards;330.45 330.97 331.64 332.87 333.61 333.55331.90 330.05 328.58 328.31 329.41 330.63331.63 332.46 333.36 334.45 334.82 334.32333.05 330.87 329.24 328.87 330.18 331.50332.81 3

8、33.23 334.55 335.82 336.44 335.99334.65 332.41 331.32 330.73 332.05 333.53334.66 335.07 336.33 337.39 337.65 337.57336.25 334.39 332.44 332.25 333.59 334.76335.89 336.44 337.63 338.54 339.06 338.95337.41 335.71 333.68 333.69 335.05 336.53337.81 338.16 339.88 340.57 341.19 340.87339.25 337.19 335.49

9、336.63 337.74 338.36;proc gplot data=example2_1;plot price*time=1;symbol1 c=black v=star i=join;run;实验结果： 实验分析：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（Mauna loa）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 。data example2_1;input price;time=intnx(month,01jan1975d,_n_-1);format time date.;cards;330.45 330.97 33

10、1.64 332.87 333.61 333.55331.90 330.05 328.58 328.31 329.41 330.63331.63 332.46 333.36 334.45 334.82 334.32333.05 330.87 329.24 328.87 330.18 331.50332.81 333.23 334.55 335.82 336.44 335.99334.65 332.41 331.32 330.73 332.05 333.53334.66 335.07 336.33 337.39 337.65 337.57336.25 334.39 332.44 332.25 3

11、33.59 334.76335.89 336.44 337.63 338.54 339.06 338.95337.41 335.71 333.68 333.69 335.05 336.53337.81 338.16 339.88 340.57 341.19 340.87339.25 337.19 335.49 336.63 337.74 338.36;proc arima data=example2_1;identify var=price;run;实验结果： Correlation 0.907510.721710.512520.349820.24690.203090.210210.26429

12、0.364330.484720.584560.601980.518410.368560.206710.081380.00135-0.03248（3）绘制该样本自相关图，并解释该图形。 实验结果：实验分析：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）69.38040.974.984.6101.122595.3100.648.3144.52

13、8.338.452.368.637.1148.6218.7131.6112.881.83147.570.196.861.555.6171.7220.5119.463.2181.673.964.8166.948137.780.5105.289.9174.812486.4136.931.535.3112.343160.89780.562.5158.27.6165.9106.792.263.226.27752.3105.4144.349.5116.154.1148.6159.385.367.3112.859.4（1）计算该序列的样本自相关系数 。 data example2_2;input pric

14、e;time=intnx(month,01jan1945d,_n_-1);format time yymmdd10.;cards;69.3 80 40.9 74.9 84.6 101.1 225 95.3 100.6 48.3 144.5 28.338.4 52.3 68.6 37.1 148.6 218.7 131.6 112.8 81.8 31 47.5 70.196.8 61.5 55.6 171.7 220.5 119.4 63.2 181.6 73.9 64.8 166.9 48137.7 80.5 105.2 89.9 174.8 124 86.4 136.9 31.5 35.3

15、112.3 43160.8 97 80.5 62.5 158.2 7.6 165.9 106.7 92.2 63.2 26.2 7752.3 105.4 144.3 49.5 116.1 54.1 148.6 159.3 85.3 67.3 112.8 59.4;proc arima data=example2_2;identify var=price;run;实验结果：Correlation 0.012770.04160-.04323-.17869-.25130-.09381-.06778-.071980.013880.109450.217300.31587-.025050.07532-.1

16、4121-.20359-.245490.06646（2）判断该序列的平稳性data example2_2;input price;time=intnx(month,1jan1945d,_n_-1);format time yymmdd10.;cards;69.3 80.0 40.9 74.9 84.6 101.1 225.0 95.3 100.6 48.3 144.5 28.338.4 52.3 68.6 37.1 148.6 218.7 131.6 112.8 81.8 31.0 47.5 70.196.8 61.5 55.6 171.7 220.5 119.4 63.2 181.6 73.

17、9 64.8 166.9 48.0137.7 80.5 105.2 89.9 174.8 124.0 86.4 136.9 31.5 35.3 112.3 43.0160.8 97.0 80.5 62.5 158.2 7.6 165.9 106.7 92.2 63.2 26.2 77.052.3 105.4 144.3 49.5 116.1 54.1 148.6 159.3 85.3 67.3 112.8 59.4;proc gplot data=example2_2;plot price*time=1;symbol1 c=black v=star i=join;run;实验结果：实验分析：该

18、序列的时序图如上，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 实验程序：与第二问的程序一样 实验结果：实验分析：检验结果显示，在各阶延迟下LB检验统计量的P值都大（0.0001），所以可以很小的把握（置信水平99.999%）判定该序列为白噪声序列，即纯随机序列。5表2-9数据是某公司在2000-2003年期间每月的销售量。销售量2000年2001年2002年2003年1月1531341451172月1871752031783月2342431891494月2122272141785月3002982952486月22125622020

19、27月2012372311628月1751651741359月12312411912010月104106859611月8587679012月78747563（1）绘制该序列时序图及样本自相关图。 实验结果： 实验分析：根据时序图和自相关图可以判断该序列平稳。在各阶延迟下LB检验统计量的P值都非常小（99.999%）判定该序列为非白噪声序列，即非纯随机序列。 二、实验体会 通过该实验我了解到：当拿到一个观察值序列之后，首先要对他的平稳性和纯随机性进行检验，这两个重要的检验称为序列的预处理。根据检验的结果可以将序列分为不同的类型，对不同的类型的序列我们可以采用不同的分析方法。对于非平稳序列，由于它不具有二阶距平稳的性质，所以对它的统计分析要周折一些，通常要进行进一步的检验变换或处理，才能确定适当的拟合模型。如果序列平稳，情况就简单多了，我们有一套非常成熟的平稳序列建模方法，如果序列值彼此之间没有任何相关性，那就意味着该序列是一个没有记忆的序列，过去的行为对将来的发展没有丝毫的影响，这种序列称为纯随机序列。