經(jīng)濟時間序列分析實驗手冊

1、 實 驗 指 南 目 錄實驗一 分析太陽黑子數(shù)序列3實驗二 模擬AR模型4實驗三 模擬MA模型和ARMA模型6實驗四 分析化工生產(chǎn)量數(shù)據(jù)8實驗五 模擬ARIMA模型和季節(jié)ARIMA模型10實驗六 分析美國國民生產(chǎn)總值的季度數(shù)據(jù)13實驗七 分析國際航線月度旅客總數(shù)數(shù)據(jù)16實驗八 干預(yù)模型的建模19實驗九 傳遞函數(shù)模型的建模22實驗十 回歸與時序相結(jié)合的建模25太陽黑子年度數(shù)據(jù)28美國國民收入數(shù)據(jù)29化工生產(chǎn)過程的產(chǎn)量數(shù)據(jù)30國際航線月度旅客數(shù)據(jù)30洛杉磯臭氧每小時讀數(shù)的月平均值數(shù)據(jù)31煤氣爐數(shù)據(jù)35芝加哥某食品公司大眾食品周銷售數(shù)據(jù)37牙膏市場占有率周數(shù)據(jù)39某公司汽車生產(chǎn)數(shù)據(jù)44加拿大山貓數(shù)據(jù)

2、44 實驗一 分析太陽黑子數(shù)序列實驗?zāi)康模毫私鈺r刻序列分析的差不多步驟，熟悉SAS/ETS軟件使用方法。二、實驗內(nèi)容：分析太陽黑子數(shù)序列。三、實驗要求：了解時刻序列分析的差不多步驟，注意各種語句的輸出結(jié)果。四、實驗時刻：2小時。五、實驗軟件：SAS系統(tǒng)。六、實驗步驟1、開機進入SAS系統(tǒng)。創(chuàng)建名為exp1的SAS數(shù)據(jù)集，即在窗中輸入下列語句：data exp1;input a1 ;year=intnx(year,1jan1742d,_n_-1);format year year4.;cards; 輸入太陽黑子數(shù)序列(見附表)run;保存此步驟中的程序，供以后分析使用（只需按工具條上的保存按鈕然

3、后填寫完提問后就能夠把這段程序保存下來即可）。繪數(shù)據(jù)與時刻的關(guān)系圖，初步識不序列，輸入下列程序：proc gplot data=exp1; symbol i=spline v=star h=2 c=green; plot a1*year;run;提交程序，在graph窗口中觀看序列，能夠看出此序列是均值平穩(wěn)序列。識不模型，輸入如下程序。 proc arima data=exp1; identify var=a1 nlag=24; run;提交程序，觀看輸出結(jié)果。初步識不序列為AR(3)模型?？赡芎驮\斷。輸入如下程序： estimate p=3; run;提交程序，觀看輸出結(jié)果。假設(shè)通過了白噪聲

4、檢驗，且模型合理，則進行預(yù)測。進行預(yù)測，輸入如下程序：forecast lead=6 interval=year id=year out=out;run;proc print data=out;run;提交程序，觀看輸出結(jié)果。退出SAS系統(tǒng)，關(guān)閉計算機。 實驗二 模擬AR模型實驗?zāi)康模菏煜じ鞣NAR模型的樣本自相關(guān)系數(shù)和偏相關(guān)系數(shù)的特點，為理 論學習提供直觀的印象。實驗內(nèi)容：隨機模擬各種AR模型。實驗要求：記錄各AR模型的樣本自相關(guān)系數(shù)和偏相關(guān)系數(shù)，觀看各種序列 圖形，總結(jié)AR模型的樣本自相關(guān)系數(shù)和偏相關(guān)系數(shù)的特點實驗時刻：2小時。實驗軟件：SAS系統(tǒng)。實驗步驟1、開機進入SAS系統(tǒng)。模擬實根情

5、況，模擬過程。在edit窗中輸入如下程序： data a; x1=0.5; x2=0.5; n=-50; do i=-50 to 250; a=rannor(32565); x=a-0.6*x1+0.4*x2; x2=x1; x1=x; n=n+1; if i0 then output; end; run; 4、觀看輸出的數(shù)據(jù)，輸入如下程序，并提交程序。 proc print data=a; var x; proc gplot data=a; symbol i=spline c=red; plot x*n; run;觀看樣本自相關(guān)系數(shù)和偏相關(guān)系數(shù)，輸入輸入如下程 序，并提交程序。 proc a

6、rima data=a; identify var=x nlag=10 outcov=exp1; run; proc gplot data=exp1; symbol i=needle width=6; plot corr*lag; run; proc gplot data=exp1; symbol i=needle width=6; plot partcorr*lag; run;作為作業(yè)把樣本自相關(guān)系數(shù)和偏相關(guān)系數(shù)記錄下來?？赡苣Ｐ蛥?shù)，并與實際模型的系數(shù)進行對比，即輸入如下程序，并提交。 proc arima data=a; identify var=x nlag=10 ; run; est

7、imate p=2; run;模擬虛根情況，模擬過程。重復步驟3-7即可（但部分程序需要修改，請讀者自己完成）。模擬AR(3)模型，模擬過程。重復步驟3-7即可(但部分程序需要修改，請讀者自己完成).10、回到graph窗口觀看各種序列圖形的異同11、退出SAS系統(tǒng),關(guān)閉計算機. 實驗三 模擬MA模型和ARMA模型實驗?zāi)康模菏煜じ鞣NMA模型和ARMA模型的樣本自相關(guān)系數(shù)和偏相關(guān)系數(shù) 的特點，為理論學習提供直觀的印象。實驗內(nèi)容：隨機模擬各種MA模型和ARMA模型。實驗要求：記錄各MA模型和ARMA模型的樣本自相關(guān)系數(shù)和偏相關(guān)系數(shù)， 觀看各序列的異同，總結(jié)MA模型和ARMA模型的樣本自相關(guān)系 數(shù)和

8、偏相關(guān)系數(shù)的特點實驗時刻：2小時。實驗軟件：SAS系統(tǒng)。實驗步驟開機進入SAS系統(tǒng)。2、模擬情況，模擬過程。在edit窗中輸入如下程序： data a; a1=0; a2=0; do n=-50 to 250; a=rannor(32565); x=a+0.65*a1+0.24*a2; a2=a1; a1=a; if n0 then output; end; run; 4、觀看輸出的數(shù)據(jù)序列，輸入如下程序，并提交程序。 proc gplot data=a;symbol i=spline;plot x*n; run;5、觀看樣本自相關(guān)系數(shù)和偏相關(guān)系數(shù)，輸入輸入如下程 序，并提交程序。 proc

9、arima data=a; identify var=x nlag=10 outcov=exp1; run; proc gplot data=exp1; symbol1 i=needle c=red; plot corr*lag=1; run; proc gplot data=exp1; symbol2 i=needle c=green; plot partcorr*lag=2; run;作為作業(yè)把樣本自相關(guān)系數(shù)和偏相關(guān)系數(shù)記錄下來。可能模型參數(shù)，并與實際模型的系數(shù)進行對比，即輸入如下程序，并提交。 proc arima data=a; identify var=x nlag=10 ; run

10、; estimate q=2; run;模擬情況，模擬過程。重復步驟3-7即可（但部分程序需要修改，請讀者自己完成）。模擬情況，模擬過程。重復步驟3-7即可（但部分程序需要修改，請讀者自己完成）。模擬情況，模擬過程。重復步驟3-7即可（但部分程序需要修改，請讀者自己完成）。模擬ARMA模型，模擬過程。重復步驟3-7即可(但部分程序需要修改，請讀者自己完成).回到graph窗口觀看各種序列圖形的異同。退出SAS系統(tǒng),關(guān)閉計算機. 實驗四 分析化工生產(chǎn)量數(shù)據(jù)實驗?zāi)康模哼M一步熟悉時刻序列建模的差不多步驟，掌握用SACF及SPACF定 模型的階的方法。實驗內(nèi)容：分析化工生產(chǎn)過程的產(chǎn)量序列。實驗要求：掌

11、握ARMA模型建模的差不多步驟，初步掌握數(shù)據(jù)分析技巧。寫出 實驗報告。實驗時刻：2小時。實驗軟件：SAS系統(tǒng)。實驗步驟開機進入SAS系統(tǒng)。創(chuàng)建名為exp2的SAS數(shù)據(jù)集，即在窗中輸入下列語句：data exp2; input x ; n=_n_; cards; 輸入化工生產(chǎn)產(chǎn)量數(shù)據(jù)序列（見附表) ；run;保存此步驟中的程序，供以后分析使用（只需按工具條上的保存按鈕然后填寫完提問后就能夠把這段程序保存下來即可）。繪數(shù)據(jù)與時刻的關(guān)系圖，初步識不序列，輸入下列程序：proc gplot data=exp2; symbol i=spline v=star h=2 c=green; plot x*n;

12、run;提交程序，在graph窗口中觀看序列，能夠看出此序列是均值平穩(wěn)序列。識不模型，輸入如下程序。 proc arima data=exp2; identity var=x nlag=12; run;提交程序，觀看輸出結(jié)果，發(fā)覺二階樣本自相關(guān)系數(shù)和一階的樣本偏相關(guān)系數(shù)都在2倍的標準差之外，那么我們首先作為一階AR模型可能，輸入如下程序： estimate plot p=1; run;提交程序，觀看輸出結(jié)果，發(fā)覺殘差能通過白噪聲檢驗，但它的二階的樣本偏相關(guān)系數(shù)比較大，那么我們考慮二階AR模型。輸入如下程序： estimate plot p=2; run;提交程序，觀看輸出結(jié)果，發(fā)覺殘差樣本自相

13、關(guān)系數(shù)和樣本偏相關(guān)系數(shù)都 在2倍的標準差之內(nèi)。且能通過白噪聲檢驗。比較兩個模型的AIC和SBC, 發(fā)覺第二個模型的AIC和SBC都比第一個的小，故我們選擇第二個模型為 我們的結(jié)果。記錄參數(shù)可能值，寫出模型方程式。進行預(yù)測，輸入如下程序： forecast lead=12 out=out; run; proc print data=out; run;提交程序，觀看輸出結(jié)果。退出SAS系統(tǒng)，關(guān)閉計算機。 實驗五 模擬ARIMA模型和季節(jié)ARIMA模型實驗?zāi)康模菏煜じ鞣NARIMA模型的樣本自相關(guān)系數(shù)和偏相關(guān)系數(shù)的特點， 區(qū)不各種ARIMA模型的圖形，為理論學習提供直觀的印象。實驗內(nèi)容：隨機模擬各種A

14、RIMA模型。實驗要求：記錄各ARIMA模型的樣本自相關(guān)系數(shù)和偏相關(guān)系數(shù)觀看各序列 圖形的異同，總結(jié)ARIMA模型的樣本自相關(guān)系數(shù)和偏相關(guān)系數(shù) 的特點實驗時刻：2小時。實驗軟件：SAS系統(tǒng)。實驗步驟開機進入SAS系統(tǒng)。2、模擬ARIMA(0,1,1)過程，模擬過程。創(chuàng)建數(shù)據(jù)集，在edit窗中輸入如下程序： data a; x1=0.9; a1=0; do n=-50 to 250; a=rannor(32565); x=x1+a-0.8*a1; x1=x; a1=a; if n0 then output; end; run; 4、觀看輸出的數(shù)據(jù)序列，輸入如下程序：。 proc gplot da

15、ta=a;symbol i=spline; plot x*n; run; 5、提交程序，在Graph窗口中觀看圖形。6、觀看樣本自相關(guān)系數(shù)和偏相關(guān)系數(shù)，輸入輸入如下程序： proc arima data=a; identify var=x nlag=10 outcov=exp1; run; proc gplot data=exp1; symbol1 i=needle c=red; plot corr*lag=1; run; proc plot data=exp1; symbol2 i=needle c=green; plot partcorr*lag=2; run;提交程序，發(fā)覺自相關(guān)系數(shù)成緩

16、慢下降的趨勢，講明要做差分運算，做一階差分運算，輸入如下程序：proc arima data=a; identity var=x(1) nlag=24; run;提交程序，觀看樣本自相關(guān)系數(shù)與樣本偏相關(guān)系數(shù)，發(fā)覺自相關(guān)系數(shù)1階截尾，故推斷差分后序列為MA(1)模型。進行模型參數(shù)可能，輸入如下程序：estimate q=1 plot;run;提交程序，并觀看殘差圖，發(fā)覺模型擬合完全。10、寫出模型的方程，并與真實模型對比。11、模擬ARIMA(1,1,0)模型，模擬過程。重復步驟 3-10即可（但部分程序需要修改，請讀者自己完成）。模擬模型， 模擬模型, 即模型。13、創(chuàng)建數(shù)據(jù)集，在edit窗中

17、輸入如下程序： data c; x1=0.9;x2=0;x3=0;x4=0;x5=0;x6=0;x7=0; x8=0;x9=0;x10=0;x11=0;x12=0;x13=0; a1=0;a2=0;a3=0;a4=0;a5=0;a6=0;a7=0; a8=0;a9=0;a10=0;a11=0;a12=0;a13=0; do n=-50 to 250; a=rannor(12345); x=x1+x12-x13+a-0.4*a1-0.6*a12+0.24*a13; x13=x12;x12=x11;x11=x10;x10=x9;x9=x8;x8=x7; x7=x6;x6=x5;x5=x4;x4=x

18、3;x3=x2;x2=x1;x1=x; a13=a12;a12=a11;a11=a10;a10=a9;a9=a8;a8=a7; a7=a6;a6=a5;a5=a4;a4=a3;a3=a2;a2=a1;a1=a; if n0 then output; end; run;繪序列圖，輸入如下程序： proc gplot data=c; symbol i=spline c=red; plot x*n; run;提交程序，到graph窗口中觀看序列圖形。初步識不模型，輸入如下程序： proc arima data=c; identify var=x nlag=36; run;提交程序，觀看樣本自相關(guān)系數(shù)

19、和樣本偏相關(guān)系數(shù)。做季節(jié)差分和一階差分除掉季節(jié)因子和趨勢因子，輸入如下程序： identify var=x(1,12) nlag=36; run;提交程序，觀看樣本自相關(guān)系數(shù)和樣本偏相關(guān)系數(shù)，確定模型階數(shù)?？赡苣Ｐ蛥?shù)，輸入如下程序： estimate q=(1)(12) method=uls plot; run;提交程序，觀看殘差的樣本自相關(guān)系數(shù)和樣本偏相關(guān)系數(shù)，看是否通過 了白噪聲檢驗。寫出模型方程式，并與真實模型對比。回到graph窗口觀看各種序列圖形的異同。退出SAS系統(tǒng),關(guān)閉計算機. 實驗六 分析美國國民生產(chǎn)總值的季度數(shù)據(jù)一、實驗?zāi)康模哼M一步學習數(shù)據(jù)分析技巧，進一步了解ARIMA模型

20、。二、實驗內(nèi)容：47年1季度到96年3季度美國國民生產(chǎn)總值的季度數(shù)據(jù)。三、實驗要求：寫出分析報告。四、實驗時刻：2小時。五、實驗軟件：SAS系統(tǒng)。六、實驗步驟1、開機進入SAS系統(tǒng)。2、建立名為exp3的SAS數(shù)據(jù)集，輸入如下程序：data exp3; input gnp; date=intnx(qtr,1jan47d,_n_-1); format date yyqc.; cards; 輸入美國國民生產(chǎn)總值的數(shù)據(jù) ；run; 注：Intnx函數(shù)按間隔遞增日期，Intnx函數(shù)計算某個區(qū)間通過若干區(qū)間間 隔之后的間隔的開始日期或日期時刻值，其中開始間隔內(nèi)的一個日期或 日期時刻值給出。 Intnx函

21、數(shù)的格式如下： Intnx(interval,from,n)保存上述程序，供以后分析使用（只需按工具條上的保存按鈕，然后填寫 完提問后就能夠把這段程序保存下來）。繪序列圖，輸入如下程序： proc gplot data=exp3; symbol1 i=spline; plot gnp*date=1; run;觀看圖形，發(fā)覺圖形成指數(shù)函數(shù)上升形式，故做對數(shù)變換，輸入如下程序：data lexp; set exp3; lgnp=log(gnp);run;繪變換后序列圖，輸入如下程序：proc gplot data=lexp; symbol2 i=spline c=red; plot lgnp*da

22、te=2;run;提交程序，到graph窗口中觀看變換后的序列圖，能夠看出它成直線上升趨勢。對序列做初步識不，輸入如下程序：proc arima data=lexp; identify var=lgnp nlag=12; run;提交程序，觀看樣本自相關(guān)系數(shù)，可看出有緩慢下降趨勢，結(jié)合我們觀看的圖形，我們明白要對序列做差分運算，作一階差分，輸入如下程序：identify var=lgnp(1) nlag=12;run;提交程序，觀看樣本自相關(guān)系數(shù)，可看出樣本自相關(guān)系數(shù)5步后是截尾的,那么確定為MA(5)模型,進行參數(shù)可能,輸入如下程序:estimate q=5 plot;run;提交程序，觀看

23、輸出結(jié)果，可看出模型通過了白噪聲檢驗，講明模型擬合充分。且MA1,3 , MA1,4的T值較小，講明參數(shù)顯著為0，除掉這兩項重新進行可能，輸入如下程序：estimate q=(1,2,5) plot;run;提交程序，觀看輸出結(jié)果，可看出模型通過了白噪聲檢驗，講明模型擬合充分，且殘差標準誤與前一可能相差專門小，故以此結(jié)果為我們所要的結(jié)果，依此結(jié)果寫出方程式。進行預(yù)測，預(yù)測美國以后2年的每季國民生產(chǎn)總值。輸入如下程序： forcast lead=6 interval=qtr id=date out=results; run; data results; set results; gnp=exp(

24、lgnp); l95=exp(l95); u95=exp(u95); forecast=exp(forecast+std*std/2); run; proc print data=results; var date forcast; where date=1jan96d; run;提交程序，并把預(yù)測值記錄下來。退出SAS系統(tǒng)，關(guān)閉計算機。 實驗七 分析國際航線月度旅客總數(shù)數(shù)據(jù)實驗?zāi)康模菏煜み\用SAS建立模型的方法，進一步 了解模型的特征。二、實驗內(nèi)容：19497年1月至1960年12月國際航線月度旅客總數(shù)數(shù)據(jù)。三、實驗要求：寫出分析報告。四、實驗時刻：2小時。五、實驗軟件：SAS系統(tǒng)。六、實驗

25、步驟1、開機進入SAS系統(tǒng)。2、建立名為exp4的SAS數(shù)據(jù)集，輸入如下程序：data exp4; input air; date=intnx(month,1jan49d,_n_-1); format date monyy.; cards; 輸入國際航線月度旅客總數(shù)數(shù)據(jù) ；run;保存上述程序，供以后分析使用（只需按工具條上的保存按鈕，然后填寫 完提問后就能夠把這段程序保存下來）。繪序列圖，輸入如下程序： proc gplot data=exp4; symbol1 i=spline v=dot c=red; plot air*date=1; run;提交程序，觀看圖形，發(fā)覺圖形有專門強的季節(jié)性

26、，且成指數(shù)函數(shù)上升形式，故做對數(shù)變換，輸入如下程序：data lair; set exp4; lair=log(air);run;繪變換后序列圖，輸入如下程序：proc gplot data=lair; symbol2 i=spline c=green; plot lair*date=2;run;提交程序，到graph窗口中觀看變換后的序列圖，能夠看出它總的趨勢成直線上升，且有專門強的季節(jié)性。對序列做初步識不，輸入如下程序：proc arima data=lair; identify var=lair nlag=36; run;提交程序，觀看樣本自相關(guān)系數(shù)和偏相關(guān)系數(shù)，可看出樣本自相關(guān)系數(shù)有緩

27、慢下降趨勢，偏相關(guān)系數(shù)在1步，13步，25步較大，我們作一步一階差分，輸入如下程序：identity var=lair(1) nlag=36;run;提交程序，觀看樣本自相關(guān)系數(shù)和偏相關(guān)系數(shù)，發(fā)覺樣本自相關(guān)系數(shù)在12步，24步，36步特不大,而偏相關(guān)系數(shù)在12步特不大，那么我們再做12步的一階差分，輸入如下程序：identify var=lair(1,12) nlag=36;run;10、提交程序，觀看樣本自相關(guān)系數(shù)和偏相關(guān)系數(shù)，發(fā)覺樣本自相關(guān)系數(shù)在1步，12步特不大,而偏相關(guān)系數(shù)看不出有特不的規(guī)律，我們可確定模型的MA因子為。11、進行參數(shù)可能，輸入如下程序： estimate q=(1)（

28、12）noconstant method=uls plot; run;、提交程序，觀看輸出結(jié)果，可看出模型通過了白噪聲檢驗，講明模型擬 合充分，故以此結(jié)果為我們所要的結(jié)果，依此結(jié)果寫出方程式。13、進行預(yù)測，輸入如下程序：forecast lead=36 interval=month id=date out=b;run;proc print data=b;run; 14、提交程序，認真觀看預(yù)測的結(jié)果有什么規(guī)律，考慮什么緣故有如此的規(guī)律？15、變換預(yù)測值，以獵取原度量下的預(yù)測值，輸入如下程序： data c; set b; air=exp(lair); forecast=exp(forecast

29、+std*std/2); l95=exp(l95); u95=exp(u95); run; proc print data=c; run;繪預(yù)測和置信限的散點圖，輸入如下程序：symbol1 I=none v=star r=1 c=red;symbol2 I=join v=plus r=1 c=green;symbol3 I=join v=none l=3 r=1 c=blue;proc gplot data=c; where data=1jan59d;plot air*date=1 forecast*date=2 l95*date=3 u95*date=3/ overlay haxis=1j

30、an59d to 1jan62d by year; run; 提交程序，觀看圖形。退出SAS系統(tǒng)，關(guān)閉計算機。 實驗八 干預(yù)模型的建模實驗?zāi)康模赫莆崭深A(yù)模型的分析方法，進一步熟悉ARIMA過程的使用方法。二、實驗內(nèi)容：1955年1月至1972年12月洛杉磯月平均臭氧數(shù)據(jù)。三、實驗要求：寫出實驗報告，掌握干預(yù)模型的建模方法。四、實驗時刻：2小時。五、實驗軟件：SAS系統(tǒng)。六、實驗步驟1、開機進入SAS系統(tǒng)。2、建立名為exp5的SAS數(shù)據(jù)集，輸入如下程序：data exp5; input n ozone x1 summer winter; date=intnx(month,1jan55d,_n_

31、-1); format date monyy.; cards; 輸入洛杉磯月平均臭氧數(shù)據(jù) ；run;或者輸入如下程序： data exp5; input ozone ; date=intnx(month,1jan55d,_n_-1);format date monyy.;month=month(date);year=year(date);x1=year=1960;summer=(5month1965);winter=(year1965)-summer; cards; 只輸入 ozone 一欄的數(shù)據(jù) ； run;保存上述程序，供以后分析使用（只需按工具條上的保存按鈕，然后填寫 完提問后就能夠把這

32、段程序保存下來）。4、繪序列圖，輸入如下程序： proc gplot data=exp5; symbol1 i=spline v=dot c=red; plot ozone*date=1; run;5、提交程序，觀看圖形，發(fā)覺圖形有專門強的季節(jié)性和緩慢下降的趨勢。初步識不模型，輸入如下程序： identify var=ozone nlag=36; run;提交程序，觀看樣本自相關(guān)系數(shù)和偏相關(guān)系數(shù)，可看出樣本自相關(guān)系數(shù)在1步，12步，24步，36步都較大，且具有周期性，偏相關(guān)系數(shù)在1步最大，我們作季節(jié)差分，輸入如下程序：identify var=ozone(12) nlag=36;run;提交程

33、序，觀看樣本自相關(guān)系數(shù)和偏相關(guān)系數(shù)，發(fā)覺樣本自相關(guān)系數(shù)在 1步，12步較大,而偏相關(guān)系數(shù)在1步，12步，24步都較大，且呈現(xiàn)拖尾 現(xiàn)象，我們可確定模型的MA因子為。9、進行參數(shù)可能，輸入如下程序： estimate q=(1)（12）noconstant method=uls plot; run;10、提交程序，觀看輸出結(jié)果，可看出模型不是專門潔凈，且不能通過白噪聲檢驗。我們能夠做殘差序列圖，觀看殘差的特性，輸入如下程序：forecast lead=12 out=b id=date interval=month id=date;run;11、進行預(yù)測，輸入如下程序：forecast lead=

34、36 interval=month id=date out=b noprint;run;proc gplot data=b;symbol I=spline v=dot c=red;plot residual*date;run; 12、提交程序，觀看圖形，可看出前面一段時期的殘差比后面的要大。 13、我們考察修建高速公路后，是否對臭氧有顯著性阻礙，輸入如下程序： proc arima data=exp5; identify var=ozone(12) crosscorr=(x1(12) noprint; estimate q=(1)(12) input(x1) noconstant method

35、=ml itprint plot; run;14、提交程序，觀看輸出結(jié)果，發(fā)覺模型的標準差,AIC,SBC都變小了專門多， 且x1的阻礙顯著。考慮什么緣故要對x1進行季節(jié)差分？15、我們再來考察汽車裝上尾氣過濾器，是否對臭氧有顯著性阻礙，輸入如 下程序： proc arima data=exp5; identify var=ozone(12) crosscorr=(x1(12) summer winter) noprint; estimate q=(1)(12) input(x1 summer winter) noconstant method=ml itprint plot; run;提交程

36、序，觀看輸出結(jié)果，發(fā)覺模型的標準差,AIC,SBC都變小了，且 模型差不多上通過了白噪聲檢驗，同時x1,summer的阻礙顯著,而winter 的阻礙不顯著?？紤]什么緣故不對summer和 winter進行差分？ 17、進行預(yù)測值，輸入如下程序： forecast lead=12 id=date interval=month; run; 注：如此的預(yù)測是x1,summer,winter已知的預(yù)測。 18、提交程序，觀看預(yù)測值。 19、退出SAS系統(tǒng)，關(guān)閉計算機。 實驗九 傳遞函數(shù)模型的建模實驗?zāi)康模菏煜鬟f函數(shù)模型的建模方法。二、實驗內(nèi)容：煤氣爐數(shù)據(jù)。三、實驗要求：寫出實驗報告，總結(jié)傳遞函數(shù)模

37、型的建模的一般步驟。四、實驗時刻：2小時。五、實驗軟件：SAS系統(tǒng)。六、實驗步驟1、開機進入SAS系統(tǒng)。2、建立名為exp6的SAS數(shù)據(jù)集，輸入如下程序：data exp6; input x y; t=_n_; cards; 輸入煤氣爐數(shù)據(jù) ；run;保存上述程序，供以后分析使用（只需按工具條上的保存按鈕，然后填寫 完提問后就能夠把這段程序保存下來）。4、繪序列圖，輸入如下程序： proc gplot data=exp6; symbol1 i=spline c=red; symbol2 i=spline c=green; plot x*t=1 y*t=2; run;5、提交程序，認真觀看兩序列

38、圖形，看兩者有何聯(lián)系。6、先觀看和的相關(guān)情況，看是否要做差分，輸入如下程序： proc arima data=exp6; identifu var=y crosscorr=(x) nlag=12; run;7、提交程序，觀看的自相關(guān)和互相關(guān)系數(shù)，發(fā)覺都專門快的衰減，表明不 要做差分運算。識不輸入序列, 輸入如下程序：proc arima data=exp6; identify var=x nlag=12; run;提交程序，觀看的自相關(guān)和偏相關(guān)系數(shù)，能夠看到偏相關(guān)系數(shù)是3步 截尾的。10、對擬合AR(3)模型，看是否充分，輸入如下程序：estimate p=3 plot;run;11、提交程序

39、，觀看輸出結(jié)果，可看到模型通過了白噪聲檢驗，講明擬合效果不錯，把擬合的方程式寫出來。12、觀看預(yù)白噪聲化后的兩序列的互相關(guān)系數(shù)，輸入如下程序： identify var=y crosscorr=(x) nlag=12; run; 13、提交程序，觀看樣本自相關(guān)系數(shù)和偏相關(guān)系數(shù)和互相關(guān)系數(shù)，我們能夠 初步識不傳遞函數(shù)模型為（2，2，3）(考慮:什么緣故?)，即： 14、進行參數(shù)可能，并查看殘差的相關(guān)情況，輸入如下程序： estimate input=(3$(1,2)/(1,2)x) plot; run;15、提交程序，觀看輸出結(jié)果，能夠看到殘差的偏相關(guān)系數(shù)是2步 截尾的。那么模型可識不為： 16

40、、進行參數(shù)可能，輸入如下程序： estimate p=2 input=(3$(1,2)/(1,2)x) plot; run;提交程序，觀看輸出結(jié)果，可看到專門小，且模型通過了白噪聲檢驗，那么我們除掉這一項,再進行可能，輸入如下程序： estimate p=2 input=(3$(1,2)/(1)x) plot; run;提交程序，觀看輸出結(jié)果，可看到模型通過了白噪聲檢驗提交程序，講明模型擬合充分,請寫出方程式。19、進行預(yù)測，輸入如下程序：forecast lead=6 ;run; 20、提交程序，觀看預(yù)測結(jié)果。 21、退出SAS系統(tǒng)，關(guān)閉計算機。 實驗十 回歸與時序相結(jié)合的建模實驗?zāi)康模菏煜?/p>

41、回歸與時序相結(jié)合的建模方法。二、實驗內(nèi)容：芝加哥某食品公司大眾食品周銷售數(shù)據(jù)。三、實驗要求：寫出實驗報告，總結(jié)回歸與時序相結(jié)合的建模的一般步驟。四、實驗時刻：2小時。五、實驗軟件：SAS系統(tǒng)。六、實驗步驟1、開機進入SAS系統(tǒng)。2、建立名為exp7的SAS數(shù)據(jù)集，輸入如下程序：data exp7; input y1 y2 y3 y4 ; date=intnx(week,14sep91d,_n_-1); format date date9.; cards; 輸入芝加哥某食品公司大眾食品周銷售數(shù)據(jù) ；run;保存上述程序，供以后分析使用（只需按工具條上的保存按鈕，然后填寫 完提問后就能夠把這段程序

42、保存下來）。4、首先只分析銷售額的數(shù)據(jù)，不加回歸項。繪序列圖，輸入如下程序： proc gplot data=exp7; symbol1 i=spline c=red; plot y1*date=1; run;5、提交程序，認真觀看序列圖形。6、初步識不模型，輸入如下程序： proc arima data=exp7; identifu var=y1 nlag=15; run;7、提交程序，觀看y1的相關(guān)系數(shù)，發(fā)覺偏相關(guān)系數(shù)是4階截尾的，那么 我們初步識不為AR(4)模型，進行參數(shù)可能，并觀看殘差相關(guān)系數(shù)。輸入 如下程序： estimate p=4 plot; run;8、提交程序，觀看輸出結(jié)果

43、，可看到模型擬合得依舊比較好。然后能夠?qū)嶒炂渌恍┠Ｐ?，最后依照AIC和BIC準則，我們最后選定 模型為: 下面我們開始加入回歸項，首先我們繪四個序列的圖形。輸入如下程序： proc gplot data=exp7;symbol3 i=spline c=green;plot y1*date=3 y2*date=3 y3*date=3 y4*date=3; run;提交程序，觀看這四個序列有什么特點。繪y1對y2、y3、y4的散點圖，輸入如下程序： proc plot data=exp7; plot y1*y2=. y1*y3=. y1*y4=.; run;提交程序，觀看他們的相關(guān)性，可看出y1

44、和y2負相關(guān)，y1和y3正相 關(guān)，而y1和y4仿佛不相關(guān)。做純回歸分析，輸入如下程序： proc arima data=exp7; identify var=y1 crosscorr=(y2 y3 y4) noprint; estimate input=(y2 y3 y4); run;提交程序，觀看輸出結(jié)果，可看到y(tǒng)4的系數(shù)接近于零，我們除掉這一 項再做回歸，并觀看殘差的相關(guān)系數(shù)，輸入如下程序： identify var=y1 crosscorr=(y2 y3); estimate input(y2 y3) plot; run;提交程序，觀看輸出結(jié)果，可看到殘差不是白躁聲。我們把殘差用ARMA

45、 模型擬合，輸入如下程序： identify var=y1 crosscorr=(y2 y3 y4); estimate p=4 q=3 input=(y2 y3 y4) plot; run;提交程序，觀看輸出結(jié)果,能夠看出模型擬合比較充分，且y4、MA1,1、 AR1,3的系數(shù)接近如零，除掉這幾項，再觀看，輸入如下程序： estimate p=(1,2,4) q=(2,3) input=(y2 y3 ) plot; run;提交程序，觀看輸出結(jié)果,能夠看出模型擬合比較充分，且殘差的標準 誤和前一模型沒有多大變化，且AIC 和BIC也比前一模型小，故我們 就選擇這一模型，把這一結(jié)果記錄下來。下

46、面我們來看看殘差對預(yù)測值,y2,y3的關(guān)系圖。輸入如下程序： forecast lead=0 id=date interval=week out=a noprint; run; data b; merger exp7 a; run; proc plot data=c; plot residual*forecast=* residual*y2=* residual*y3=*; run;提交程序，觀看圖形，可看出殘差對y2,y3還不是十分充分，我們加入y2,y3的滯后一階，看結(jié)果有什么變化，輸入如下程序： data d; set exp7; y21=lag(y2); y31=lag(y3); ru

47、n;proc arima data=d; identify var=y1 crosscorr=(y2 y21 y3 y31) noprint; run; estimate p=(1,2,4) q=(2,3) input=(y2 y21 y3 y31) plot; run;23、提交程序，觀看輸出結(jié)果，并與原來結(jié)果比較，看是否有進步。 24、進行預(yù)測，輸入如下程序：forecast lead=6 ;run; 25、提交程序，觀看預(yù)測結(jié)果。 26、退出SAS系統(tǒng)，關(guān)閉計算機。附數(shù)據(jù)： 太陽黑子年度數(shù)據(jù)(1742-1957) 1000.700 571.900 573.600 368.300 146.

48、600 114.800 122.300 389.100 571.200 647.600 754.300 1030.200 733.800 541.400 436.200 250.900 136.900 453.900 838.100 1273.100 1209.600 979.000 797.900 417.300 367.400 84.100 237.800 1110.000 1852.400 1511.100 1017.600 817.100 461.500 273.600 122.000 289.200 994.400 1584.300 1570.900 1417.300 1078.70

49、0 799.000 720.500 562.800 492.000 255.200 192.200 76.700 48.800 81.100 173.700 408.000 540.400 516.600 569.600 506.900 337.300 120.600 97.700 30.400 .000 17.000 59.400 146.300 167.200 424.800 549.700 492.700 360.700 287.300 188.100 79.100 48.000 21.500 102.500 198.800 435.300 596.500 769.800 804.300

50、 851.800 573.700 330.300 102.300 158.900 682.300 1457.400 1659.300 1237.800 1029.800 758.300 441.600 290.300 128.100 180.000 480.700 738.000 1181.500 1491.800 1150.400 798.400 774.000 650.500 468.300 246.800 80.500 51.600 273.300 657.700 1126.000 1148.300 926.000 709.300 528.200 563.400 365.700 195.

51、500 87.100 447.500 886.800 1669.300 1334.400 1220.000 795.500 535.800 204.900 135.800 147.300 40.500 71.500 387.200 651.000 715.800 764.400 761.400 625.900 304.500 156.600 81.000 75.200 84.600 427.500 875.600 1019.200 936.100 767.600 501.400 314.900 320.600 145.300 113.500 32.900 60.300 292.600 503.

52、400 761.600 646.300 744.400 582.500 526.600 223.000 68.400 43.100 17.300 115.100 568.400 684.800 1246.700 966.900 763.300 451.700 313.600 170.900 69.300 200.600 531.700 766.700 828.500 933.500 779.600 428.000 254.700 133.700 67.900 104.600 432.700 956.800 1372.800 1314.600 1065.000 813.400 569.700 3

53、67.200 195.900 115.100 397.100 1110.100 1798.100 1634.400 1621.400 1007.100 837.100 376.900 166.200 52.900 455.400 1700.500 2278.200 2215.100 1905.000 1347.300 646.800 451.200 334.700 122.400 180.700 美國國民收入數(shù)據(jù)(1947第一季度到1996第三季度) （順序是橫向排列） 227.8 231.7 236.1 246.3 252.6 259.9 266.8 268.1 263.0 259.5 26

54、1.2 258.9 269.6 279.3 296.9 308.4 323.2 331.1 337.9 342.3 345.3 345.9 351.7 364.2 371.0 374.5 373.7 368.7 368.4 368.7 373.4 381.9 394.8 403.1 411.4 417.8 420.5 426.0 430.8 439.2 448.1 450.1 457.2 451.7 444.4 448.6 461.8 475.0 499.0 512.0 512.5 516.9 530.3 529.2 532.2 527.3 531.8 542.4 553.2 566.3 57

55、9.0 586.9 594.1 597.7 606.8 615.3 628.2 637.5 654.5 663.4 674.3 679.9 701.2 713.9 730.4 752.6 775.6 785.2 798.6 812.5 822.2 828.2 844.7 861.2 886.5 910.8 926.0 943.6 966.3 979.9 999.3 1008.0 1020.3 1035.7 1053.8 1058.4 1104.2 1124.9 1144.4 1158.8 1198.5 1231.8 1256.7 1297.0 1347.9 1379.4 1404.4 1449

56、.7 1463.9 1496.8 1526.4 1563.2 1571.3 1608.3 1670.6 1725.3 1783.5 1814.0 1847.9 1899.0 1954.5 2026.4 2088.7 2120.4 2166.8 2293.7 2356.2 2437.0 2491.4 2552.9 2629.7 2687.5 2761.7 2756.1 2818.8 2941.5 3076.6 3105.4 3197.7 3222.8 3221.0 3270.3 3287.8 3323.8 3388.2 3501.0 3596.8 3700.3 3824.4 3911.3 397

57、5.6 4022.7 4100.4 4158.7 4238.8 4306.2 4376.6 4399.4 4455.8 4508.5 4573.1 4655.5 4731.4 4845.2 4914.5 5013.7 5105.3 5217.1 5329.2 5423.9 5501.3 5557.0 5681.4 5767.8 5796.8 5813.6 5849.0 5904.5 5959.4 6016.6 6138.3 6212.2 6281.1 6390.5 6458.4 6512.3 6584.8 6684.5 6773.6 6876.3 6977.6 7062.2 7140.5 72

58、02.4 7293.4 7344.3 7426.6 7537.5 7593.6 化工生產(chǎn)過程的產(chǎn)量數(shù)據(jù)（順序是橫向排列）47 64 23 71 38 64 55 41 59 4871 35 57 40 58 44 80 55 37 7451 57 50 60 45 57 50 45 25 5950 71 56 74 50 58 45 54 36 5448 55 45 57 50 62 44 64 43 5238 59 55 41 53 49 34 35 54 4568 38 50 60 39 59 40 57 54 23 國際航線月度旅客數(shù)據(jù) (1949.01-1960.12,單位:千人)（順

59、序是橫向排列） 112 118 132 129 121 135 148 148 136 119 104 118115 126 141 135 125 149 170 170 158 133 114 140145 150 178 163 172 178 199 199 184 162 146 166171 180 193 181 183 218 230 242 209 191 172 194196 196 236 235 229 243 264 272 237 211 180 201204 188 235 227 234 264 302 293 259 229 203 229242 233 26

60、7 269 270 315 364 347 312 274 237 278284 277 317 313 318 374 413 405 355 306 271 306315 301 356 348 355 422 465 467 404 347 305 336340 318 362 348 363 435 491 505 404 359 310 337360 342 406 396 420 472 548 559 463 407 362 405417 391 419 461 472 535 622 606 508 461 390 432 洛杉磯臭氧每小時讀數(shù)的月平均值數(shù)據(jù) (1955-197