SAS時序分析程序說明

SAS時序分析程序說明ARIMA過程單變量場合：ARIMA模型的識別，擬合，預測多變量場合：ARIMAX模型的識別，擬合，預測干預模型的識別，擬合，預測轉(zhuǎn)移函數(shù)模型的識別，擬合，預測ARIMA過程三階段建模PROCARIMAoptions;IDENTIFY

VAR=variableoptions;/識別/ESTIMATEoptions;/估計/FORECASToptions;

/預測/PROCARIMA語句開始進入ARIMA分析程序的起始命令可選擇命令：Data=文件名/指定分析數(shù)據(jù)所在文件名/Out=文件名/指定輸出預測值的SAS數(shù)據(jù)集/例句：PROCARIMA;默認對最近一次使用的數(shù)據(jù)集進行ARIMA分析PROCARIMAdata=a;對臨時庫數(shù)據(jù)集a進行ARIMA分析PROCARIMAdata=sasuser.aout=b;對永久庫數(shù)據(jù)集sasuer.a進行ARIMA分析,預測結(jié)果存入臨時數(shù)據(jù)庫bIDENTIFY語句單變量序列樣本自相關(guān)，逆自相關(guān)和偏自相關(guān)屬性，平穩(wěn)性識別，白噪聲識別，單位根檢驗結(jié)果輸出多變量序列響應(yīng)變量和解釋變量的選擇及互相關(guān)屬性輸出命令格式IDENTIFYVAR=相應(yīng)變量名

可選擇命令；例句Identifyvar=x;對x變量進行識別，輸出均值，標準差等描述性統(tǒng)計量輸出自相關(guān)，逆自相關(guān)和偏自相關(guān)系數(shù)及圖（平穩(wěn)性檢驗和參數(shù)定階基礎(chǔ)）輸出白噪聲檢驗結(jié)果Identifyvar=x(d);對X的d步差分變量進行識別，輸出上面三種結(jié)果Identifyvar=x(1);對X的一階差分變量進行識別Identifyvar=x(1，1);對X的二階差分變量進行識別Identifyvar=x(1，4);對X的一階和4步差分后變量進行識別（通常用于有趨勢和有周期的序列識別）IDENTIFY可選命令Nlag=k；指明計算自相關(guān)系數(shù)和互相關(guān)系數(shù)過程中需要考慮的延遲階數(shù)。如果不特別指定nlag的階數(shù)，計算機默認的輸出階數(shù)是min(24,n/4)Minicp=(p1:p2)q=(q1:q2)；在自相關(guān)階數(shù)跑遍p1-p2，移動平均階數(shù)跑遍q1-q2的范圍內(nèi)，尋找AIC最小的模型階數(shù)（一種傻瓜型定階方法）Stationarity=（）；單位根檢驗（df,adf或pp檢驗，其中df檢驗等于adf(1)檢驗）Crosscorr=(一個或多個輸入變量名)指定輸入變量（可以是原序列也可以是差分序列），單個輸入變量可以不加括號，多個輸入變量要加括號Outcov=文件名將自協(xié)方差，自相關(guān)系數(shù)，偏自相關(guān)系數(shù)和逆自相關(guān)系數(shù)寫入該文件集中例句Identifyvar=cpi(1)nlag=18stationarity=(adf=3);對cpi的一階差分序列進行識別，輸出延遲18階的基本統(tǒng)計，自相關(guān)信息和白噪聲檢驗信息對cpi的一階差分序列進行滯后階數(shù)分別等于0,1,2,3的adf檢驗Identifyvar=cpi(1)nlag=18stationarity=(pp=2);對cpi的一階差分序列進行滯后階數(shù)分別等于0,1,2的pp檢驗其他同上例句Identifyvar=cpi(1)minicp=(0:5)q=(0:5);對cpi一階差分序列進行識別，輸出基本統(tǒng)計，自相關(guān)信息和白噪聲檢驗信息對cpi一階差分序列尋找最優(yōu)擬合階數(shù)（p>=5,q<=5)例句Identifyvar=cpi(1)crosscorr=gdp;對cpi的一階差分序列進行識別以gdp作為輸入變量，cpi的一階差分序列作為響應(yīng)變量，對這兩個變量之間的互相關(guān)關(guān)系進行識別Identifyvar=cpi(1)crosscorr=gdp(1);對cpi的一階差分序列進行識別（輸出滯后12階的相關(guān)信息）以gdp的一階差分序列作為輸入變量，cpi的一階差分序列作為響應(yīng)變量，對這兩個變量之間的互相關(guān)關(guān)系進行識別Identifyvar=cpi(1)crosscorr=（gdp(1)interest）;對cpi的一階差分序列進行識別（輸出滯后12階的相關(guān)信息）以gdp的一階差分序列和interest作為輸入變量，cpi的一階差分序列作為響應(yīng)變量，對解釋變量和響應(yīng)變量之間的互相關(guān)關(guān)系進行識別Identifyvar=cpi(1)nlag=12crosscorr=（gdp(1)interest）outcov=out;其他同上輸出延遲階數(shù)為12的自相關(guān)和偏自相關(guān)系數(shù)信息相關(guān)系數(shù)的信息存入數(shù)據(jù)集outESTIMATE命令給出指定模型的所有參數(shù)的估計值參數(shù)的顯著性檢驗情況殘差的白噪聲檢驗情況

命令格式Estimatep=自相關(guān)階數(shù)q=移動平均階數(shù);p或q如果為零，可以忽略不寫例句Identifyvar=x;Estimatep=1q=1;擬合ARMA(1,1)模型Identifyvar=x(1);Estimatep=(13);擬合項疏系數(shù)模型Identifyvar=x(1);Estimatep=1q=1;擬合ARIMA(1,1,1)模型Identifyvar=x(14);Estimatep=(1)(4)q=(1)(4)noint;擬合無常數(shù)項乘積模型ARIMA(1,1,1)×ARIMA4(1,1,1)模型帶輸入變量的估計命令I(lǐng)nput(d$(q)/(p)輸入變量名)對輸入變量序列的ARIMA(p,d,q)變化量作為解釋變量，與相應(yīng)變量進行回歸分析例句Identifyvar=cpi(1)crosscorr=gdp(1);Estimateinput=(1$gdp);對cpi的一階差分序列和gdp的一階差分序列建立回歸模型例句Identifyvar=cpi(1)crosscorr=gdp(1);Estimateinput=(1$(1)/(1)gdp);對cpi的一階差分序列和gdp的一階差分序列建立如下回歸模型Identifyvar=cpi(1)crosscorr=gdp(1);Estimatep=2input=(1$(1)/(1)gdp);對cpi的一階差分序列和gdp的一階差分序列建立如上回歸模型，同時對殘差序列擬合AR(2)模型問題要擬合如下模型如何寫命令：FORECAST命令給出估計值及置信區(qū)間給出指定期數(shù)的預測值及置信區(qū)間選擇是否輸出預測結(jié)果命令格式FORECASTlead=預測期數(shù)id=時間標示interval=單位時間間隔alpha=aout=輸出結(jié)果數(shù)據(jù)集；如果procarima中指定了輸出文件集，這里又一次指定了輸出文件集名，這個名稱覆蓋前一個名稱。例句FORECASTlead=5

id=timeinterval=monthalpha=0.01out=result；將相應(yīng)變量的估計值及5期預測值及它們的99%置信區(qū)間存入result這個數(shù)據(jù)集中，該數(shù)據(jù)以time為時間變量，該變量為月度數(shù)據(jù)例句練習procarimadata=seriesj;

identifyvar=xnlag=10;

estimatep=3;

identifyvar=ycrosscorr=(x)nlag=10;

estimateinput=(3$(1,2)/(1,2)x)plot;

estimatep=2input=(3$(1,2)/(1)x);

run;

AUTOREG過程回歸分析進行帶自相關(guān)誤差的回歸分析條件異方差建模RUTOREG命令Procautoregdata=文件名；Model應(yīng)變量=自變量/nlag=mlagdep=延遲因變量garch=(p=q=type=)nointmethod=估計方法Dw=dwprobtationarity=(phillips);Outputout=輸出文件名p=預測值pm=預測均值rm=殘差值lcl=置信下限ucl=置信上限；Type的類型TYPE=

-EXPspecifiestheexponentialGARCHorEGARCHmodel.

-INTspecifiestheintegratedGARCHorIGARCHmodel.

MEAN=value

specifiesthefunctionalformoftheGARCH-Mmodel.ThevaluesoftheMEAN=optionare

LINEARspecifiesthelinearfunction.

LOGspecifiesthelogfunction.

SQRTspecifiesthesquarerootfunction.

Method的類型METHOD=ML

specifiesmaximumlikelihoodestimatesMETHOD=ULS

specifiesunconditionalleast-squaresestimatesMETHOD=YW

specifiesYule-WalkerestimatesMETHOD=ITYW

specifiesiterativeYule-Walkerestimates

例句Procautoregdata=a;Modely=t/nlag=5method=mlbackstep;Run;構(gòu)建如下模型，使用極大使然估計方法，自回歸的階數(shù)最大為5，最合適的階數(shù)由逐步回歸確定例句Procautoregdata=a;Modely=t/nlag=2method=ml;Run;構(gòu)建如下模型，使用極大使然估計方法例句Procautoregdata=a;Modely=/nlag=2method=ml;Run;構(gòu)建如下模型，使用極大使然估計方法例句Dataa;Seta;Lagy=lag(y);Procautoregdata=a;Modey=lagy/lagdep=lagy;構(gòu)建如下回歸模型，因為自變量是因變量的一階延遲，所以殘差自相關(guān)檢驗是donbin-h檢驗例句Procautoregdata=a;Modely=x/nlag=2garch=(p=1q=1noint)method=ml;Run;構(gòu)建如下模型，使用極大使然估計方法練習procautoregdata=ibmmaxit=50;

modelr=/nointgarch=(q=2);

outputout=acev=v;

run;

練習用AUTOREG程序，采用E-G兩步法編寫協(xié)整與誤差修正程序VARMAX過程Granger檢驗協(xié)整分析誤差修正模型向量自回歸（含脈沖響應(yīng)和方差分解）命令格式Procvarmaxdata=文件名;Model相應(yīng)變量=解釋變量/p=自回歸階數(shù)cointtest=(johansen=)ecm=(rank=normalize=)print=（impulsedecompose()printform=）;CAUSALgroup1=(variables)group2=(variables);Outputout=文件名lead=預測期；協(xié)整檢驗PROCVARMAXDATA=文件名；MODELVAR1-VARp/COINTTEST=(JOHANSEN=);JOHANSEN=TRACE/跡檢驗/JOHANSEN=MAX/最大特征根檢驗/Granger因果檢驗CAUSALgroup1=(variable