应用时间序列分析期末上机实践报告.docx
得分应用时间序列分析期末上机实践报告课程名称：应用时间序列分析学期：2014-2015-2学专姓学院：业：名：号:期:2015.07.03应用时间序列分析期末课程上机报告要求六、（30分）实践题（另交370页的题目、程序和答案纸）要求：系统复习各章上机指导的相关内容，从问题出发，解决三个具体时间序列数据的分析处理全过程（包含：1、数据的背景和拟用到的处理方法，提供可以独立运行的SAS程序，程序的主要运行结果和结果的解读；2、每个学生都必做ARIMA过程的较完整运用，包括数据的输入、输出，时序图、自相关图、偏相关图，并建立成功的拟合模型；3、自由选择其它两个数据和用到自己熟悉的时间序列分析程序过程的处理方法（如趋势拟合、XlkGARCH模型等），但尽量不要三题都用同一个方法）。一、ARIMA模型数据来源：应用时间序列分析第5章习题5已知18671938年英国（英格兰及威尔土）绵羊的数量如表1所示（行数据），运用时间序列模型预测未来三年英国的绵羊数量。22032360225421652024207822142292220721192119213721321955178517471818190919581892191918531868199121112119199118591856192418921916196819281898185018411824182318431880196820291996193318051713172617521795171716481512133813831344138414841597168617071640rrL/八LzZJZL（1）确定该序列的平稳性。（2）选择适当模型，拟合该序列的发展。（3）利用拟合模型预测1939-1945年英国绵羊的数量。1-(1)平稳性检验建立临时数据集IhfOldataIhfO1;inputX鲍；difx=dif(x);y=log(x);cards;220323602254216520242078221422922207211921192137213219551785174718181909195818921919185318681991211121191991185918561924189219161968192818981850184118241823184318801968202919961933180517131726175217951717164815121338138313441384148415971686170716401611163217751850180916531648166516271791procgplotdata-Ihf01;pIotx*tdifx*ty*t;symboIc=redi=joinv=star;run;procarima;identifyvar=x;run;图LI序列X时序图自相关图如图1-2所示。Autocorrelat k>ns-19876543 2 1 0 1 2 3 4 5 6 7 8 91Std Error049589.0831.00000145261.8130.81274237545.6810.75714331322.6150.63164428288.1880.57045527764.9130.55990626607.8470.53657723678.1220.47749819733.1390.39793916222.4900.327141013497.1940.272181111176.8780.22539128071.4860.182831374S0.4690.15085147377.4650.14877158557.4410.17257169873.3890.199101710206.7470.20583188201.1740.16538Covariance Conelat ionmarks Mo standard errors出出出山.IB III III 出出出 出山出 出山出出.出出出出出出出.0.1178510.1924330.2301180.2530550.2703260.2859790.2996350.3100230.3170380.3216920.3248750.3270400.3284580.3294180.3303500.3316000.3332560.335017我们可以判定该序列从图中我们发现序列的自相关系数递减到零的速度相当缓慢,是不平稳的。白噪声检验结果如图1-3所示。检验结果显示,在各阶延迟下LB检验统计量的P值都非常小（0.0001）,所以我AutocorrelatkxCheckforWhiteNoiseToagChi-SquareDFPf>ChiSqAutocorrelations6210.636<.00010.9130.7570.6320.5700.5600.53712265.3212<.00010.4770.3980.3270.2720.2250.18318282.7718<.00010.1510.1490.1730.1990.2060.165图13白噪声检验结果们可以以很大的把握（置信水平99.99%）断定该序列属于非白噪声序列。（二）对原序列进行差分运算考虑对该序列进行1阶差分运算，同时考察差分后序列的平稳性，在原程序基础上添加相关命令，程序修改如下：procgpIotdata=Ihf01;pIotx*tdifx*ty*t;symboIc-redi-joinv=star;procarima;identifyvar=y（1）;run;我们在GPLOT过程中添加绘制了一个时序图“difx*t，这是为了直观考察1阶差分后序列的平稳性。所得时序图如图2-1所示。-3-图2-1序列difx时序图时序图显示差分后序列difx没有明显的非平稳特征。差分后自相关图如图2-2所示。CovarianceCorrelationAutocorrelations-198765432101234567891StdError6899.0031.00000*'r叫“”2458.8150.351310.118678-1011.876-.14457.於出0.132518-2860.057-.40864tmmwpgg0.1347211887.923.269740.151174501.7000.07168：0.1578081141.6300.16311+：0.158266534.1720.07632i!O.1EO616-211.549-.03023：0.161126-433.E46-.0E186f：0.1E120E427.412.06107*0.161541-283.149-.04046：0.161866-559.100-.07988f:maritwostandarderrors0.162008图221阶差分后序列自相关图自相关图显示，延迟3阶之后，自相关系数基本都在零值附近波动。可以认为序列有短期相关性，差分后序列平稳。（三）模型定阶为了确定模型的阶数，我们还需考察偏自相关图。（图2-3）Part ial Autocorrelat ionsCorrelat ion -1987654321012345678910.35131-0.30572-0.29562-0.055110.10076-0.07974-0.059200.023290.01326-0.07590-0.047130.10093偏自相关图显示，除了延迟1阶、3阶的偏自相关系数显著大于2倍标准差之外，其他阶数的片自相关系数都比较小。根据自相关图喝偏自相关图的这个特点，进行模型的定阶。考虑到偏自相关图中只有1阶和3阶的偏自相关系数显著大于2倍标准差，所以考虑构造疏系数模型ANl3)。综合考虑前面的差分运算，实际上是对原序列拟合疏系数模型IrUARMA(1,3),1Q)(四)参数估计使用条件最小二乘估计，确定模型的口径为：1(1-B)xt1-0.356975+0.337063/(五)模型检验检验结果如下：ConditionalLeastSquaresEstimationParameterEstimateStandardError(ValueApproxPr>ItlLagMIJAR120.35697-0.337060.108290.108533.30-3.110.00150.002813VariancelEstimate0.001637StdErrorEstimate0.040466AIC-251.975SBC-247.45NumberofResiduals71出AICandSBCdonotincludelogdeterminantCorrelationsofParameterEstimatesParameterARI,1ARI,2DS1.11.0000.098AR1；20.0981.000残差白噪声检验结果如图2-3所示。AutocorreIationCheckofResiduaIsTo61218hig20280999C E 2 3CDF101622r 1 9 0 13 C 8 4 2 2 F 9 7 6 O 6 8 8 9 6 6 O JcS3 22 0 2 00 3 8 0 6力力。心心1 8489 .09,010.0aAutocorre220400542O.O-O.(MO.O-O,189 2 2 09 5 7 1心心心77055 6 09023056 8 62 2 5 5 0 6 4 0 VwvQQ-O.Q参数显著性检验结果显示两参数均残差检验结果显示残差序列可
