时间序列分析第五章上机指导..docxVIP

上机指导第五章5.8.1 拟合ARIMA模型由于ARMA模型是ARIMA模型的一种特例，所以在SAS系统中这两种模型的拟合都放在了ARIMA过程中。我们已经在第3章进行了ARMA模型拟合时介绍了ARIMA过程的基本命令格式。再次以临时数据集example5_1的数据为例介绍ARIMA模型拟合与ARMA模型拟合的不同之处。data example5_1;input x@@;difx=dif(x); t=_n_;cards;1.05 -0.84 -1.42 0.20 2.81 6.72 5.40 4.385.52 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 -0.80procgplot;plot x*t difx*t;symbol v=star c=black i=join;run;输出时序图显示这是一个典型的非平稳序列。如图5-49所示图5-49 序列x时序图考虑对该序列进行1阶差分运算，同时考察查分后序列的平稳性，在原程序基础上添加相关命令，程序修改如下：data example5_1;input x@@;difx=dif(x); t=_n_;cards;1.05 -0.84 -1.42 0.20 2.81 6.72 5.40 4.385.52 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 -0.80procgplot;plot x*t difx*t;symbol v=star c=black i=join;procarima;identifyvar=x(1);estimate p=1;forecast lead=5 id=t ;run;语句说明：（1）DATA步中的命令“difx=dif(x);”,这是指令系统对变量x进行1阶差分，差分后的序列值赋值给变量difx。其中dif（）是差分函数，假如要差分的变量名为x，常见的几种差分表示为：1阶差分：dif（x）2阶差分：dif（dif（x））k步差分：difk（x）（2）我们在GPLOT过程中添加绘制了一个时序图“difx*t”，这是为了直观考察1阶差分后序列的平稳性。所得时序图如图5-50所示。图5-50 序列difx时序图时序图显示差分后序列difx没有明显的非平稳特征。（3）“identify var=x（1）；”，使用该命令可以识别查分后序列的平稳性、纯随机性和适当的拟合模型阶数。其中x（1）表示识别变量x的1阶差分后序列。SAS支持多种形式的差分序列识别：var=x（1），表示识别变量x的1阶查分后序列Δxt；var=x（1,1），表示识别变量x的2阶查分后序列Δ2xt；var=x（k），表示识别变量x的k步差分后序列Δkxt；var=x（k，s），表示识别变量x的k步差分后，再进行s步查分后序列ΔsΔkxt。识别部分的输出结果显示1阶查分后序列difx为平稳非白噪声序列，且具有显著的自相关系数不截尾、偏自相关系数1截尾的性质。（4）“estimate p=1；”对1阶差分后序列Δxt拟合AR（1）模型。输出拟合结果显示常数项不显著，添加或修改估计命令如下：estimate p=1 nonit；这是命令系统不要常数项拟合AR(1)模型，拟合结果显示模型显著且参数显著。如图5-51所示。图5-51序列difx模型拟合结果输出结果显示，序列xt的拟合模型为ARIMA（1,1,0）模型，模型口径为：Δxt=艾普龙t/1-0.66933B或等阶记为：xt=1.66933xt-1-0.66933xt-2+艾普龙t（5）“forecast lead=5 id=t；”，利用拟合模型对序列xt作5期预测。建立数据集，绘制时序图data example5_2; input x@@; l