时间序列第六节sas.pdf

3. （1）画时序图，单位根检验 data example3; input x y@@; t=_n_; cards; 15.65 5.76 53.57 9.05 73.34 17.26 93.93 41.97 115.4 55.97 76.57 74.91 32.83 62.52 23.74 27.04 56.7 18.77 86.37 31.11 121 58.31 71.48 73.13 55.78 63.21 31.84 52.46 26.87 40.07 53.24 27.67 65.59 26 81.23 24.32 143.9 21 237.9 33.35 276.6 64.67 222.2 94.34 137.2 103.4 46.45 82.74 27.46 65.4 41.46 51.35 44.73 28.24 88.42 23.27 105.7 38.09 155.2 14.97 205.5 24.84 312.7 49.56 213.7 75.93 163.4 104 85.78 106.4 48.64 100.6 44.49 84.08 63.44 45.3 71.66 35.37 127.7 35.35 206.9 41.1 309.9 52.62 156.5 120.2 63.3 112.8 77.29 92.14 45.11 65.72 57.45 33.54 69.8 21.14 121.7 17.82 185.2 26.04 175.3 65.61 139 76.3 77.11 96.07 57.29 68.84 54.79 54.79 75.38 35.8 87.73 32.48 136.4 24.21 290.6 35.73 345.8 55.5 271.6 93.41 156.1 117.3 71.1 95.02 43.86 85.92 30.64 82.6 35.56 66.08 52.03 63.58 37.99 37.99 62.71 25.6 103.9 23.1 187.2 37.09 ; proc gplot ; plot x*t=1 y*t=2/overlay; symbol1 c=black i=join v=none; symbol2 c=red i=join v=none w=2 l=2 ; run ; proc arima data=example3; identify var=x stationarity= (adf=1); identify var=y stationarity= (adf=1); run ; （2）考察协整关系 proc arima ; identify var=y crosscorr=x; estimate method=ml input=x plot ; forecast lead=0 id=t out=out; proc arima data=out; identify var=residual stationarity= (adf=2); run ; （3）分别拟合 、 模型，画出拟合效果图，预测未来的浓度。 xt y t 拟合 模型绘制拟合效果图，并预测未来5期的浓度 x t proc arima ; identify var=x; estimate p=2 noint; run ; forecast lead=5 id=t out=result; proc gplot data=result; plot x*t=1 forecast*t=2 l95*t=3 u95*t=3/overlay; symbol1 c=black i=none v=star; symbol2 c=red i=join v=none; symbol3 c=green i=join v=none; run ; 拟合 模型绘制拟合效果图，并预测未来5期的浓度 y t proc arima ; identify var=y crosscorr=x; esti