时间序列分析讲义.ppt

data ex4_2;input x@@;dx=dif(x);t=_n_; cards; 1.05 -0.84 -1.42 0.20 2.81 6.72 5.40 4.38 5.52 4.46 2.89 -0.43 -4.86 -8.54 -11.54 -16.22 -19.41 -21.61 -22.51 -23.51 -24.49 -25.54 -24.06 -23.44 -23.41 -24.17 -21.58 -19.00 -14.14 -12.69 -9.48 -10.29 -9.88 -8.33 -4.67 -2.97 -2.91 -1.86 -1.91 -0.80 ; proc gplot data=ex4_2; plot x*t dx*t; symbol v=star c=green i=join; run; proc arima; identify var=x(1); run; 分析步骤6： 差分，重新识别模型 一阶差分序列的自相关图 识别P=1，即为ARIMA（1，1，0） 一阶差分序列的偏相关图 分析步骤7： 参数估计及模型诊断 proc arima data=ex4_2; identify var=x(1); estimate p=1; run; 拟合ARIMA（1，1，0）模型： 残差白噪声检验通过 均值参数不显著 proc arima data=ex4_2; identify var=x(1); estimate p=1 noint; run; 拟合不带常数项的ARIMA（1，1，0）模型： 参数及模型检验均通过，确定模型为 ARIMA（1，1，0） 拟合模型为： 即： 或等价记为： 步骤8： 对时序做5期预测 arima data=ex4_2; identify var=x(1); estimate p=1 noint; forecast lead=5 id=t; run; 5期预测结果： data ex4_2; input x@@; dx=dif(x); t=_n_; cards; 1.05 -0.84 -1.42 0.20 2.81 6.72 5.40 4.38 5.52 4.46 2.89 -0.43 -4.86 -8.54 -11.54 -16.22 -19.41 -21.61 -22.51 -23.51 -24.49 -25.54 -24.06 -23.44 -23.41 -24.17 -21.58 -19.00 -14.14 -12.69 -9.48 -10.29 -9.88 -8.33 -4.67 -2.97 -2.91 -1.86 -1.91 -0.80 ; proc gplot data=ex4_2; plot x*t dx*t; symbol v=star c=green i=join; run; proc arima; identify var=x(1); estimate p=1 noint; forecast lead=5 id=t; run; 例4-2的完整程序： 另附我找到的SAS教介绍的网址，不限于此，同学们需要时可以再搜素。 ? /view/ee1edbeae009581b6bd9eb5f.html /view/8d9c8acf5fbfc77da269b17e.html /view/264c78785acfa1c7aa00cc0c.html### /view/ddbf4c66caaedd3383c4d33b.html * * * * * * * * * （2）参数显著性检验 目的 检验每一个未知参数是否显著非零。删除不显著参数使模型结构最精简 假设条件 检验统计量 例3.5（续例3.2）对OVERSHORTS序列的拟合模型进行检验 残差白噪声检验 结论：P值大于0.05，接受原假设，认为残差为白噪声，模型显著有效 参数显著性检验 检验参数 t统计量 P值 结论 均值 －3.75 0.0004 10.60 0.0001 延迟阶数 QLB统计量 P值 结论 6 3.15 0.6772 12 9.05 0.6171 结论：P值小于0.05，拒绝原假设，认为各系数显著非零，各系数显著有效 3.6 预测 线性预测函数 预测方差最小原则 采用线性和方差最小原则 建模步骤 时 间 序 列 图 计 算 样 本 相 关 系 数 偏 相 关 系 数 模型 识别 参数 估计 模型 检验 序 列 预 测 Y N 若 为非周期平稳时间序列，则对其建立 若 经d阶差分后，建立了 模型； 则称对 建立了 模型。 若