时间序列分析实验4-非平稳序列的确定性分析.ppt

X-11的SAS过程 语句说明： proc x11 data=a; ：对数据集a的数据进行X-11分析； monthly date=t; ：告诉系统这是月度数据(如是季度数据就记作quarterly)，变量t为时间变量名； var x; ：进行季节调整的变量为x； output out=out b1=x d10=season d11=adjusted d12=trend d13=irr; ：输出部分结果到临时数据集OUT，要求的输出结果是： X-11的SAS过程 output out=out b1=x d10=season d11=adjusted d12=trend d13=irr; ：输出部分结果到临时数据集OUT，要求的输出结果是： 1、原始序列值x（表b1的数值）； 2、季节指数（或称为季节因子）season（表d10的数据）； 3、季节调整后的序列值adjusted（表d11的数据）； 4、趋势拟合值trend（表d12的数据）； 5、不规则波动值irr（表d13的数据）。 第四章总结 时序确定性因素的分解：长期趋势波动、季节性变化、随机波动 趋势分析及其SAS过程 趋势拟合法：线性、非线性 平滑法：移动平均、指数平滑 季节效应分析：计算季节指数 综合分析：理解分析思路，掌握分析步骤以及SAS过程 X－11过程：了解其原理、SAS过程和SAS结果的分析。 趋势分析 目的 有些时间序列具有非常显著的趋势，我们分析的目的就是要找到序列中的这种趋势，并利用这种趋势对序列的发展作出合理的预测 常用方法 趋势拟合法 平滑法 趋势拟合法 趋势拟合法就是把时间作为自变量，相应的序列观察值作为因变量，建立序列值随时间变化的回归模型的方法 分类 线性拟合 非线性拟合（曲线拟合） 线性拟合 使用场合 长期趋势呈现出线性特征 模型结构 例4.1:拟合澳大利亚政府1981——1990年每季度的消费支出序列 线性拟合 模型 参数估计方法 最小二乘估计 参数估计值 线性拟合的SAS过程 data a; input gov_cons@@; time=intnx(quarter,1jan1981d,_n_-1); format time year2.; t=_n_; cards; 原始数据 ; proc gplot; plot gov_cons*time=1; symbol1 c=black v=star i=join; 线性拟合的SAS过程 proc autoreg;/*自回归过程*/ 或者 proc reg;/*回归过程*/ model gov_cons=t; output out=out p=forecast; proc gplot data=out; plot gov_cons*time=1 forecast*time=2/overlay haxis=1jan1981d to 1jan1991d by year; symbol2 c=red v=none i=join w=2 l=3; run; 线性拟合模型结果(autoreg过程) 线性拟合模型结果(reg过程) 拟合效果图 非线性拟合 使用场合 长期趋势呈现出非线性特征 参数估计指导思想 能转换成线性模型的都转换成线性模型，用线性最小二乘法进行参数估计 实在不能转换成线性的，就用迭代法进行参数估计 常用非线性模型 模型 变换 变换后模型 参数估计方法 线性最小二乘估计 线性最小二 乘估计 － － 迭代法 － － 迭代法 － － 迭代法 例4.2： 对上海证券交易所1991年1月-2001年10月每月末上证指数序列进行模型拟合 非线性拟合 模型 变换 参数估计方法 线性最小二乘估计 拟合模型口径 data a; input index@@; time=intnx(month,1jan1991d,_n_-1); format time year2.; t=_n_; cards; 原始数据 ; t2=t**2; proc gplot; plot index*time=1; symbol1 c=black v=none i=join; proc reg; model index=t t2; model index=t2; output out=out p=index_cup; proc gplot data=out; plot index*time=1 index_cup*time=2/overlay; symbol2 c=red v=none i=join w=2 l=3; run; 非线性拟合模型SAS结果 非线性拟合模型SAS结果 拟合效果图 综合分析 常用综合分析模型 加法模型 乘法模型 混合模型 例4.7 对1993年——2