SAS经济时间序列分各种模型分析Word下载.docx
《SAS经济时间序列分各种模型分析Word下载.docx》由会员分享，可在线阅读，更多相关《SAS经济时间序列分各种模型分析Word下载.docx（45页珍藏版）》请在冰点文库上搜索。
实验一分析太阳黑子数序列
一、实验目的：
了解时间序列分析的基本步骤，熟悉SAS/ETS软件使用方法。
二、实验内容：
分析太阳黑子数序列。
三、实验要求：
了解时间序列分析的基本步骤，注意各种语句的输出结果。
四、实验时间：
2小时。
五、实验软件：
SAS系统。
六、实验步骤
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：
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：
odshtml;
odslistingclose;
5、run;
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。
7、提交程序，观察输出结果。
初步识别序列为AR
（2）模型。
8、估计和诊断。
输入如下程序：
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：
11、提交程序，观察输出结果。
12、退出SAS系统，关闭计算机。
总程序：
dataexp1;
infile"
D:
\exp1.txt"
;
inputa1@@;
year=intnx（'
year'
'
1jan1742'
d,_n_-1）;
formatyearyear4.;
procprint;
run;
procgplotdata=exp1;
symboli=splinev=doth=1cv=redci=greenw=1;
plota1*year/autovreflvref=2cframe=yellowcvref=black;
title"
太阳黑子数序列"
procarimadata=exp1;
identifyvar=a1nlag=24minicp=（0:
5）q=（0:
5）;
estimatep=3;
forecastlead=6interval=yearid=yearout=out;
procprintdata=out;
选取拟合模型的规则:
1.模型显着有效（残差检验为白噪声）
2.模型参数尽可能少
3.结合自相关图和偏自相关图以及minic条件（BIC信息量最小原则）,选取显着有效的参数
实验二模拟AR模型
一、实验目的：
熟悉各种AR模型的样本自相关系数和偏相关系数的特点，为理
论学习提供直观的印象。
二、实验内容：
随机模拟各种AR模型。
三、实验要求：
记录各AR模型的样本自相关系数和偏相关系数，观察各种序列
图形，总结AR模型的样本自相关系数和偏相关系数的特点
四、实验时间：
五、实验软件：
六、实验步骤
2、模拟实根情况，模拟
过程。
3、在edit窗中输入如下程序：
4、观察输出的数据，输入如下程序，并提交程序。
观察样本自相关系数和偏相关系数，输入输入如下程序，并提交程序。
作为作业把样本自相关系数和偏相关系数记录下来。
5、估计模型参数，并与实际模型的系数进行对比，即输入如下程序，并提交。
6、模拟虚根情况，模拟
重复步骤3-7即可（但部分程序需要修改，请读者自己完成）。
7、模拟AR（3）模型，模拟
重复步骤3-7即可（但部分程序需要修改，请读者自己完成）.
10、回到graph窗口观察各种序列图形的异同
11、退出SAS系统,关闭计算机.
总程序:
title;
dataa;
x1=0.5;
x2=0.5;
doi=-50to250;
a=rannor（32565）;
x=a-0.6*x1+0.4*x2;
x2=x1;
x1=x;
output;
end;
procprintdata=a;
varx;
procgplotdata=a;
symboli=splinec=red;
plotx*i/haxis=-50to255by20;
quit;
procarimadata=a;
identifyvar=xnlag=10minicp=（0:
3）q=（0:
3）outcov=exp1;
estimatep=2noint;
procgplotdata=exp1;
symboli=needlewidth=6;
plotcorr*lag;
plotpartcorr*lag;
实验三模拟MA模型和ARMA模型
熟悉各种MA模型和ARMA模型的样本自相关系数和偏相关系数
的特点，为理论学习提供直观的印象。
随机模拟各种MA模型和ARMA模型。
记录各MA模型和ARMA模型的样本自相关系数和偏相关系数，
观察各序列的异同，总结MA模型和ARMA模型的样本自相关系
数和偏相关系数的特点
1、开机进入SAS系统。
2、模拟
情况，模拟
3在edit窗中输入如下程序：
4、观察输出的数据序列，输入如下程序，并提交程序。
5、观察样本自相关系数和偏相关系数，输入输入如下程序，并提交程序。
6、估计模型参数，并与实际模型的系数进行对比，即输入如下程序，并提交。
7、模拟
8、模拟
9、模拟
10、模拟ARMA模型，模拟
11、回到graph窗口观察各种序列图形的异同。
12、退出SAS系统,关闭计算机.
a1=0;
a2=0;
don=1to250;
x=a+0.65*a1+0.24*a2;
a2=a1;
a1=a;
symboli=splineh=1w=1;
plotx*n/haxis=-10to260by10;
estimateq=2noint;
symbol1i=needlec=red;
plotcorr*lag=1;
symbol2i=needlec=green;
plotpartcorr*lag=2;
实验四分析化工生产量数据
进一步熟悉时间序列建模的基本步骤，掌握用SACF及SPACF定
模型的阶的方法。
分析化工生产过程的产量序列。
掌握ARMA模型建模的基本步骤，初步掌握数据分析技巧。
写出
实验报告。
2、创建名为exp2的SAS数据集，即在窗中输入下列语句：
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。
7、提交程序，观察输出结果，发现二阶样本自相关系数和一阶的样本偏相关系数都在2倍的标准差之外，那么我们首先作为一阶AR模型估计，输入如下程序：
8、提交程序，观察输出结果，发现残差能通过白噪声检验，但它的二阶的样本偏相关系数比较大，那么我们考虑二阶AR模型。
9、提交程序，观察输出结果，发现残差样本自相关系数和样本偏相关系数都
在2倍的标准差之内。
且能通过白噪声检验。
比较两个模型的AIC和SBC,
发现第二个模型的AIC和SBC都比第一个的小，故我们选择第二个模型为
我们的结果。
10、记录参数估计值，写出模型方程式。
11、进行预测，输入如下程序：
12、提交程序，观察输出结果。
13、退出SAS系统，关闭计算机。
dataexp2;
infile"
inputx@@;
n=_n_;
procgplotdata=exp2;
symboli=joinv=starh=2ci=greencv=red;
plotx*n/vref=305070cvref=redlvref=2;
procarimadata=exp2;
identifyvar=xnlag=12minicp=（0:
3）;
estimateplotp=1;
forecastlead=2out=out;
实验五模拟ARIMA模型和季节ARIMA模型
熟悉各种ARIMA模型的样本自相关系数和偏相关系数的特点，
区别各种ARIMA模型的图形，为理论学习提供直观的印象。
一、实验内容：
随机模拟各种ARIMA模型。
二、实验要求：
记录各ARIMA模型的样本自相关系数和偏相关系数观察各序列
图形的异同，总结ARIMA模型的样本自相关系数和偏相关系数
的特点
三、实验时间：
四、实验软件：
五、实验步骤
1.开机进入SAS系统。
2.
2、模拟ARIMA（0,1,1）过程，模拟
3.创建数据集，在edit窗中输入如下程序：
4、观察输出的数据序列，输入如下程序：
。
5、提交程序，在Graph窗口中观察图形。
6、观察样本自相关系数和偏相关系数，输入输入如下程序：
提交程序，发现自相关系数成缓慢下降的趋势，说明要做差分运算，做一阶差分运算，输入如下程序：
7、提交程序，观察样本自相关系数与样本偏相关系数，发现自相关系数1阶截尾，故判断差分后序列为MA
（1）模型。
进行模型参数估计，输入如下程序：
8、提交程序，并观察残差图，发现模型拟合完全。
10、写出模型的方程，并与真实模型对比。
x1=0.9;
don=0to250;
x=x1+a-0.8*a1;
symboli=joinv=doth=1ci=greencv=red;
plotx*n/vref=-214cvref=redlvref=2haxis=-10to260by10;
identifyvar=x
（1）nlag=24minicp=（0:
/*一阶差分x
（1）*/
estimateq=1plotnoint;
11、模拟ARIMA（1,1,0）模型，模拟
重复步骤
3-10即可（但部分程序需要修改，请读者自己完成）。
12模拟
模型，
模拟
模型,
即
模型。
13、创建数据集，在edit窗中输入如下程序：
14、绘序列图，输入如下程序：
15、提交程序，到graph窗口中观察序列图形。
16、初步识别模型，输入如下程序：
17、提交程序，观察样本自相关系数和样本偏相关系数。
18、做季节差分和一阶差分除掉季节因子和趋势因子，输入如下程序：
19、提交程序，观察样本自相关系数和样本偏相关系数，确定模型阶数。
20、估计模型参数，输入如下程序：
21、提交程序，观察残差的样本自相关系数和样本偏相关系数，看是否通过
了白噪声检验。
写出模型方程式，并与真实模型对比。
22、回到graph窗口观察各种序列图形的异同。
23、退出SAS系统,关闭计算机.
datac;
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;
a3=0;
a4=0;
a5=0;
a6=0;
a7=0;
a8=0;
a9=0;
a10=0;
a11=0;
a12=0;
a13=0;
don=0to250;
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=x3;
x3=x2;
a13=a12;
a12=a11;
a11=a10;
a10=a9;
a9=a8;
a8=a7;
a7=a6;
a6=a5;
a5=a4;
a4=a3;
a3=a2;
output;
end;
run;
procgplotdata=c;
plotx*n/vref=-20110cvref=redlvref=2haxis=-10to260by10;
procarimadata=c;
identifyvar=xnlag=20minicp=（0:
identifyvar=x（1,12）nlag=36minicp=（0:
estimateq=
（1）（12）method=clsnoint;
实验六分析美国国民生产总值的季度数据
进一步学习数据分析技巧，进一步了解ARIMA模型。
47年1季度到96年3季度美国国民生产总值的季度数据。
写出分析报告。
2、建立名为exp3的SAS数据集，输入如下程序：
3保存上述程序，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）。
4、绘序列图，输入如下程序：
5、观察图形，发现图形成指数函数上升形式，故做对数变换，输入如下程序：
6、绘变换后序列图，输入如下程序：
7、提交程序，到graph窗口中观察变换后的序列图，可以看出它成直线上升趋势。
对序列做初步识别，输入如下程序：
8、提交程序，观察样本自相关系数，可看出有缓慢下降趋势，结合我们观察的图形，我们知道要对序列做差分运算，作一阶差分，输入如下程序：
9、提交程序，观察样本自相关系数，可看出样本自相关系数5步后是截尾的,那么确定为MA（5）模型,进行参数估计,输入如下程序:
10、提交程序，观察输出结果，可看出模型通过了白噪声检验，说明模型拟合充分。
且MA1,3,MA1,4的T值较小，说明参数显着为0，除掉这两项重新进行估计，输入如下程序：
11、提交程序，观察输出结果，可看出模型通过了白噪声检验，说明模型拟合充分，且残差标准误与前一估计相差很小，故以此结果为我们所要的结果，依此结果写出方程式。
12、进行预测，预测美国未来2年的每季国民生产总值。
13、提交程序，并把预测值记录下来。
14、退出SAS系统，关闭计算机。
dataexp3;
C:
\DocumentsandSettings\Administrator\桌面\exp1.txt"
inputgnp@@;
date=intnx（'
qtr'
"
1jan47"
formatdateyyqc.;
procgplotdata=exp3;
symboli=joinw=2ci=green;
/*w：
线的大小h：
点的大小l：
线的类型*/
plotgnp*date=1;
datalexp;
setexp3;
lgnp=log（gnp）;
procgplotdata=lexp;
symbol2i=splinec=redw=2;
plotlgnp*date=2;
procarimadata=lexp;
identifyvar=lgnp
（1）nlag=12minicp=（0:
estimateq=5;
estimateq=（1,2,5）plot;
forecastlead=6interval=qtrid=dateout=results;
dataresults2;
setresults;
gnp=exp（lgnp）;
l95=exp（l95）;
u95=exp（u95）;
forecast=exp（forecast）;
keepdategnpl95forecastu95;
procprintdata=results2;
vardategnpl95forecastu95;
wheredate>
='
1jan96'
d;
procgplotdata=results2;
plotgnp*date=1forecast*date=2l95*date=3u95*date=3/overlaylegend;
symbol1v=dotcv=redi=noneh=1w=1;
symbol2i=joinci=green;
symbol3i=splineci=blackl=2;
实验七分析国际航线月度旅客总数数据
熟悉运用SAS建立
模型的方法，进一步
了解
模型的特征。
1949年1月至1960年12月国际航线月度旅客总数数据。
2、建立名为exp4的SAS数据集，输入如下程序：
2、绘序列图，输入如下程序：
3、提交程序，观察图
升级会员 