时间序列分析报告2.docx
《时间序列分析报告2.docx》由会员分享,可在线阅读,更多相关《时间序列分析报告2.docx(15页珍藏版)》请在冰点文库上搜索。
时间序列分析报告2
《时间序列分析》
课程实验报告
项目名称:
平稳时间序列分析
组员姓名:
黄凤
指导教师:
牛宪华
完成日期:
2014年3月20日
一、Intnx函数的使用。
使用Intnx函数产生序列的时间间隔,分别对同一组数据产生其时间间隔,分别调整观测指针由参照时间向过去和未来拨1期,观察序列数据的变化。
数据:
2012年12个月化工生产过程的产量数据476423713864554159487135
解:
向过去拨1期
向未来拨1期
由运行结果知向未来拨一个日期,其时间与产量对应的时间出现移动,即时间向前移了两个时期,即产量数据与时间不对应。
二、分析太阳黑子数序列(见附数据1),预测6期结果。
步骤
1、开机进入SAS系统。
2、创建名为exp1的SAS数据集,即在窗中输入下列语句:
dataexp1;
inputa1@@;
year=intnx(‘year’,’1jan1742’d,_n_-1);
formatyearyear4.;
cards;
输入太阳黑子数序列(见附数据1)
run;
运行结果:
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:
procgplotdata=exp1;
symboli=splinev=starh=2c=green;
plota1*year;
run;
运行结果:
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。
6、识别模型,输入如下程序。
procarimadata=exp1;
identifyvar=a1nlag=24;
run;
运行结果:
(1)自相关图
(2)偏自相关图
(3)白噪声检验
7、提交程序,观察输出结果。
初步识别序列为AR(3)模型。
8、估计和诊断。
输入如下程序:
estimatep=3;
run;
运行结果:
由于AR(3)模型有个参数的P=0.0687>0.05,我们可知该参数不显著,故我们识别序列为AR
(2)。
8.
(1)
由上图我们可知该拟合模型AR
(2)参数显著。
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:
forecastlead=6interval=yearid=yearout=out;
run;
procprintdata=out;
run;
预测表:
11、提交程序,观察输出结果。
12、退出SAS系统,关闭计算机。
三、分析化工生产过程的产量序列(见附数据2),预测6期结果。
解:
程序
dataexp1;
inputa1@@;
year=intnx('year','1jan1742'd,_n_-1);
formatyearyear4.;
cards;
47642371386455415948
71355740584480553774
51575060455750452559
50715674505845543654
48554557506244644352
38595541534934355445
68385060395940575423
;
run;
procarimadata=exp1;
identifyvar=a1nlag=24;
run;
estimateq=2;
run;
estimatep=1;
run;
forecastlead=6interval=yearid=yearout=out;
run;
procprintdata=out;
run;
时序图
自相关图
自相关系数具有2阶截尾性。
我们尝试拟合MA
(2)模型
残差白噪声检验
各个延迟期数LB检验统计量的P值都均显著大于0.05,所以MA
(2)模型显著有效。
参数显著性检验
参数显著性检验结果显示三参数t统计量的P值均小于0.05,即三参数均显著。
根据以上检验我们知道模型显著有效,参数均显著,故我们认为MA
(2)模型是该序列有效拟合模型。
MA
(2)模型的AIC和SBC的值如下
偏自相关图
偏自相关系数具有1阶截尾性,我们尝试拟合AR
(1)模型
残差白噪声检验
各个延迟期数LB检验统计量的P值都均显著大于0.05,所以MA
(2)模型显著有效。
参数显著性检验
参数显著性检验结果显示两参数t统计量的P值均小于0.05,即两参数均显著。
根据以上检验我们知道模型显著有效,参数均显著,故我们认为AR
(1)模型是该序列有效拟合模型。
AR
(1)模型的AIC和SBC的值如下
我们根据比较MA
(2)模型和AR
(1)模型的AIC和SBC值,我们知AR
(1)模型优于MA
(2)模型。
故我们选择AR
(1)模型。
我们根据AR
(1)模型预测6期结果
附数据2:
太阳黑子年度数据(1742-1957)
1000.700571.900573.600368.300146.600114.800122.300
389.10571.200647.600754.3001030.200733.800541.400
436.200250.900136.900453.900838.1001273.1001209.600
979.000797.900417.300367.40084.100237.8001110.000
1852.4001511.1001017.600817.100461.500273.600122.000
289.200994.4001584.3001570.9001417.3001078.700799.000
720.500562.800492.000255.200192.20076.70048.800
81.100173.700408.000540.400516.600569.600506.900
337.300120.60097.70030.400.00017.00059.400
146.300167.200424.800549.700492.700360.700287.300
188.10079.10048.00021.500102.500198.800435.300
596.500769.800804.300851.800573.700330.300102.300
158.900682.3001457.4001659.3001237.8001029.800758.300
441.600290.300128.100180.000480.700738.0001181.500
1491.8001150.400798.400774.000650.500468.300246.800
80.50051.600273.300657.7001126.0001148.300926.000
709.300528.200563.400365.700195.50087.100447.500
886.8001669.3001334.4001220.000795.500535.800204.900
135.800147.30040.50071.500387.200651.000715.800
764.400761.400625.900304.500156.60081.00075.200
84.600427.500875.6001019.200936.100767.600501.400
314.900320.600145.300113.50032.90060.300292.600
503.400761.600646.300744.400582.500526.600223.000
68.40043.10017.300115.100568.400684.8001246.700
966.900763.300451.700313.600170.90069.300200.600
531.700766.700828.500933.500779.600428.000254.700
133.70067.900104.600432.700956.8001372.8001314.600
1065.000813.400569.700367.200195.900115.100397.100
1110.1001798.1001634.4001621.4001007.100837.100376.900
166.20052.900455.4001700.5002278.2002215.1001905.000
1347.300646.800451.200334.700122.400180.700
附数据2:
化工生产过程的产量数据
(顺序是横向排列)
47642371386455415948
71355740584480553774
51575060455750452559
50715674505845543654
48554557506244644352
38595541534934355445
68385060395940575423