时序实验六 传递函数 4732.docx
《时序实验六 传递函数 4732.docx》由会员分享,可在线阅读,更多相关《时序实验六 传递函数 4732.docx(13页珍藏版)》请在冰点文库上搜索。
![时序实验六 传递函数 4732.docx](https://file1.bingdoc.com/fileroot1/2023-5/2/3d0f717b-66de-42ba-a696-84f992717f6d/3d0f717b-66de-42ba-a696-84f992717f6d1.gif)
时序实验六传递函数4732
实验项目六:
干预分析
实验时间:
2010年6月16日10点至12点
实验报告人:
4732
一、实验目的
熟悉传递函数模型的建模方法
二、预备知识
熟练掌握互相关函数特征。
三、实验内容
传递函数模型的建模
四、实验仪器与材料(或软硬件环境)
SAS软件
五、实验程序或步骤
1、开机进入SAS系统。
2、建立名为exp6的SAS数据集,输入如下程序:
dataexp6;
inputxy@@;
t=_n_;
cards;
10.01200.110.07199.510.32199.49.75198.910.33199
10.13200.210.36198.610.3220010.13200.310.16201.2
10.58201.610.62201.510.86201.511.2203.510.74204.9
10.56207.110.48210.510.77210.511.33209.810.96208.8
11.16209.511.7213.211.39213.711.42215.111.94218.7
11.24219.811.59220.510.96223.811.4222.811.02223.8
11.01221.711.23222.311.33220.810.83219.410.84220.1
11.14220.610.38218.910.9217.811.05217.711.11215
11.01215.311.22215.911.21216.711.91216.711.69217.7
10.93218.710.99222.911.01224.910.84222.210.76220.7
10.7722010.88218.710.4921710.5215.911215.8
10.98214.110.61212.310.48213.910.53214.611.07213.6
10.61212.110.86211.410.34213.110.78212.910.8213.3
10.33211.510.44212.310.521310.7521110.4210.7
10.4210.110.34211.410.5521010.46209.710.82208.8
10.91208.810.87208.810.67210.611.11211.910.88212.8
11.28212.511.27214.811.44215.311.52217.512.1218.8
11.83220.712.62222.212.41226.712.43228.412.73233.2
13.01235.712.74237.112.73240.612.76243.812.92245.3
12.6424612.79246.313.05247.712.69247.613.01247.8
12.9249.413.1224912.47249.912.47250.512.49251.5
13.124912.91247.613.39248.813.13250.413.34250.7
13.3425313.14253.713.4925513.87256.213.39256
13.59257.413.27260.413.726013.2261.313.32260.4
13.15261.613.3260.812.94259.813.2925913.26258.9
13.08257.413.24257.713.31257.913.52257.413.02257.3
13.25257.613.12258.913.26257.813.11257.713.3257.2
13.06257.513.32256.813.1257.513.2725713.64257.6
13.58257.313.87257.513.53259.613.41261.113.25262.9
13.5263.313.58262.813.51261.813.77262.213.4262.7;
run;
保存上述程序,供以后分析使。
4、绘序列图,输入如下程序:
procgplotdata=exp6;
symbol1i=splinec=red;
symbol2i=splinec=green;
plotx*t=1y*t=2;
run;
5、提交程序,仔细观察两序列图形,发现x、y两个图形的变化趋势差不多,说明x的变化对y有显著影响:
6、先观察
和
的相关情况,看是否要做差分,输入如下程序:
procarimadata=exp6;
identifyvar=ycrosscorr=(x)nlag=12;
run;
7、提交程序,观察
的
自相关和互相关系数:
发现样本持续很大,而且衰减得很慢,要做一阶差分运算。
8、对
和
做一阶差分,输入程序如下:
identifyvar=x
(1)nlag=24;
run;
identifyvar=y
(1)nlag=24;
run;
提交程序,观察
的自相关和偏相关系数,发现
是平稳序列。
9、识别序列
输入如下程序:
procarimadata=exp6;
identifyvar=x
(1)nlag=12;
run;
10、观察
的自相关和偏相关系数,可以看到自相关系数是1步截尾的:
11、对
拟合MA
(1)模型,看是否充分,输入如下程序:
estimateq=1plot;
run;
12、提交程序,观察输出结果,可看到模型虽然通过白噪声检验,但常数项不能通过t检验:
13、拟合没有常数项的MA
(1)模型,输入程序:
estimateq=1noconstantplot;
run;
14、提交程序,观察输出结果,可看到模型通过了t检验和白噪声检验:
说明拟合效果不错,把拟合的方程式写出来:
xt=(1-0.44233B)*at
15、观察预白噪声化后的两序列的互相关系数,输入如下程序:
identifyvar=y
(1)crosscorr=(x
(1))nlag=12;
run;
16、提交程序,观察样本自相关系数和偏相关系数和互相关系数:
由传递性质可知:
b=3,r=1,b+s-r+1=3,因而s=0。
我们可以初步识别传递函数模型为(0,1,3),即:
17、进行参数估计,并查看残差的相关情况,输入如下程序:
estimateinput=(3$/
(1)x)plot;
run;
18、提交程序,观察输出结果,可以看到残差的自相关系数和偏相关系数都是1步截尾的:
那么模型可初步识别为MA
(1)模型
或AR
(1)模型
19、分别估计这两个模型,输入如下程序:
estimatep=1input=(3$/
(1)x)plot;
run;
estimateq=1input=(3$/
(1)x)plot;
run;
20、提交程序,观察输出结果,发现两个模型的常数项均没通过t检验:
21、对两个模型分别进行没有常数项的估计,输入如下程序:
estimatep=1noconstantinput=(3$/
(1)x)plot;
run;
estimateq=1noconstantinput=(3$/
(1)x)plot;
run;
22、提交程序,观察输出结果:
由上面的输出结果看出,所有参数都显著,且残差都能通过Ljung-Box的卡方白噪声检验。
23、利用AIC和SBC信息准则来确定模型,AIC和SBC值下表:
表1模型的信息准则值
信息准则
MA
(1)
AR
(1)
AIC
83.60374
85.34945
SBC
92.53394
94.27965
结果发现MA
(1)模型的AIC比模型AR
(1)的AIC小,且模型的SBC也比模型AR
(1)的小,因此我们选择MA
(1)模型作为我们的结果。
那么模型可识别为MA
(1)模型
24、结合上面模型拟合和参数估计的输出结果,可知MA
(1)模型拟合充分,拟合的方程式为:
25、进行预测,输入如下程序:
forecastlead=6;
run;
26、提交程序,观察预测结果:
27、退出SAS系统,关闭计算机。
六、实验心得与体会
通过本次实验,我学会了传递函数模型通过SAS的实现方法,学会了如何利用样本自相关函数和偏自相关函数等统计工具识别模型,学会了模型的诊断检验方法和如何进行模型的优选,最后进行预测。