应用时间序列分 第4章.doc

佛山科学技术学院 应 用 时 间 序 列 分 析 实 验 报 告 实验名称 第四章 非平稳序列的确定性分析 一、上机练习 本章主要学习了对非平稳时间序列的分析方法，重点掌握常用的确定性时序分析方法。通过趋势分析，季节效应分析以及消除季节影响，选择合适的确定性模型，从而得到较好的分析预测结果。 本章上机练习中，主要做了以下两部分内容： ① 用因素分解方法做P126例题4.7； ② 用X-11过程做P130例题4.7续； 通过用不同的方法（因素分解、X-11过程）做题，从而分析两种方法各自的优缺点，以及哪种方法拟合预测的结果更好。 P126例题4.7（因素分解方法）： 【程序】 data example4_7; input x@@; t=_n_; cards; 977.5 892.5 942.3 941.3 962.2 1005.7 963.8 959.8 1023.3 1051.1 1102.0 1415.5 1192.2 1162.7 1167.5 1170.4 1213.7 1281.1 1251.5 1286.0 1396.2 1444.1 1553.8 1932.2 1602.2 1491.5 1533.3 1548.7 1585.4 1639.7 1623.6 1637.1 1756.0 1818.0 1935.2 2389.5 1909.1 1911.2 1860.1 1854.8 1898.3 1966.0 1888.7 1916.4 2083.5 2148.3 2290.1 2848.6 2288.5 2213.5 2130.9 2100.5 2108.2 2164.7 2102.5 2104.4 2239.6 2348.0 2454.9 2881.7 2549.5 2306.4 2279.7 2252.7 2265.2 2326.0 2286.1 2314.6 2443.1 2536.0 2652.2 3131.4 2662.1 2538.4 2403.1 2356.8 2364.0 2428.8 2380.3 2410.9 2604.3 2743.9 2781.5 3405.7 2774.7 2805.0 2627.0 2572.0 2637.0 2645.0 2597.0 2636.0 2854.0 3029.0 3108.0 3680.0 ； proc gplot data=example4_7; /*画序列x时序图*/ plot x*t; symbol c=black v=star i=join; run; data example4_7_3; /*建立季节指数数据集*/ input jjzs@@; month=_n_; cards; 0.982 0.943 0.920 0.911 0.925 0.951 0.929 0.940 1.009 1.054 1.100 1.335 ; proc gplot data=example4_7_3; /*画季节指数图*/ plot jjzs*month; symbol c=black v=diamond i=join; run; proc gplot data=sasuser.aa; /*画消除季节影响后的序列x1时序图*/ plot x1*t; symbol c=black v=circle i=none; run; proc autoreg data=sasuser.aa; /* 对序列x1进行线性拟合*/ model x1=t; output predicted=x2 out=results; run; proc gplot data=results; /*画线性趋势拟合图*/ plot x1*t=1 x2*t=2/overlay; symbol1 c=black v=circle i=none; symbol2 c=red v=none i=join; run; proc gplot data=sasuser.bb; /*画残差图*/ plot z*t; symbol c=red v=circle i=none; run; proc arima data=sasuser.bb; /*残差序列的检验、建模及预测*/ identify var=z nlag=8 minic p= (0:5) q= (0:5); run; estimate p=1; run; estimate p=1 noint; run; forecast lead=12 id=t out=out; run; pr