SAS_ETS.ppt

模块ETS 1.模块ETS中包含的内容 1.1Box-Jenkins方法 即对时间序列Xt或其差分?Xt=Xt- Xt-1，高阶差分拟合如下的ARMA(Autoregessive and Moving Average自回归滑动平均)模型： Xt=a1Xt-1+...+apXt-p+b0?t+b1?t-1+... +bq?t-q 其中{?t}为白噪声序列，p、q为自回归滑动平均部分的阶。 1.2对多变量时序数据拟合带有自回归误差的线性或非线性模型 1.3时间序列的频率域和状态空间处理方法 包括时间序列的周期分量检测 1.4时间序列的多种平滑和预测方法 1.5用于经济领域的一些专用方法 如借贷分析、抵押贷款的分析和偿还计算等。 2.例：对一个国际航线旅客数据使用过程ARIMA进行建模和预测。 2.1输入数据并作图 title International Airline Passengers; data seriesg; input x @@; year=int((_n_-1)/12)+1949; month=mod(_n_-1,12)+1; date=mdy(month,1,year); drop year month; format date monyy; cards; 112 118 132 129 121 135 148 148 136 119 104 118 115 126 141 135 125 149 170 170 158 133 114 140 145 150 178 163 172 178 199 199 184 162 146 166 171 180 193 181 183 218 230 242 209 191 172 194 196 196 236 235 229 243 264 272 237 211 180 201 204 188 235 227 234 264 302 293 259 229 203 229 242 233 267 269 270 315 364 347 312 274 237 278 284 277 317 313 318 374 413 405 355 306 271 306 315 301 356 348 355 422 465 467 404 347 305 336 340 318 362 348 363 435 491 505 404 359 310 337 360 342 406 396 420 472 548 559 463 407 362 405 417 391 419 461 472 535 622 606 508 461 390 432 ; symbol i=join v=star; proc gplot data=seriesg; plot x*date=1/ haxis=01jan49d to 01jan61d by year; run; 2.2转换：将不平稳的数据转换转换为平稳的 data seriesg; set seriesg; xlog=log(x); run; symbol i=join v=star; proc gplot data=seriesg; plot xlog*date=1/ haxis=01jan49d to 01jan61d by year; run; 2.3 1）取两种差分，设取对数后的序列用Yn表示， 则差分?Yn=Yn-Yn-1可消除线性增大的趋势 间隔12的差分?12Yn=Yn-Yn-12可用于分析以12为周期变化的数据。 2）用过程ARIMA进行建模和预测 第一步：辨识（Identify） 提供时间序列的自相关函数（Autocorrelations）、偏自相关函数（Partial Autocorrelations）和逆自相关函数（Inverse Autocorrelations），从中可确定合适于拟合的模型类型 proc arima data=seriesg; identify var=xlog(1,12) nlag=15; run; 第二步：估计（Estimate） 按选定的拟合模型估计其中的未知参数，从而完全确定拟合模型。 proc arima data=seriesg; identify var=xlog(1,12) nlag=15 noprint; run; estimate q=(1)(12)noconstant method=uls; run; quit; 结果：估计的参数值 b1=0.39594 , b12=0.61331 第三步：预测（Forecast） 按确定的模型对时间序列未来的取值进行预测。