文档介绍：佛山科学技术学院
应用时间序列分析实验报告
实验名称第三章平稳时间序列分析
专业班级 10数学与应用数学姓名林敏杰学号 2010214222

一、上机练习
程序及其结果分析:
data ex3_1;
input x@@;
time=_n_;
cards;
-

- - - - - -
- - - - -
- - - - - - -
- - - - - - -
-
- - -
- - - -
- -
- -
- - - - -
;
proc gplot data=ex3_1;
plot x*time=1;
symbol1 c=red I=join v=star;
run;
结果分析:
上图是数据对应的时序图,从图上曲线分析来看,数据并没有周期性或者趋向性规律,因而可以初步判断这是平稳数列。
proc arima data=ex3_1;
identify Var=x nlag=8;
run;
结果分析:
本过程中,我们建立了8阶自回归分析模型,图上依次是变量的描述性统计量、样本自相关图、样本逆相关图和样本偏自相关图。由于本次实验探究的是平稳序列,因而样本逆相关图先不作分析。
从自相关图来看,自相关系数趋于0的速度是比较快的,再结合时序图来看,可以确定这组数列是属于平稳数列。
从最后的纯随机检验结果分析来看,P<,因而这是非白噪声序列。综上所述,该数列是平稳非白噪声序列,因为我们可以建立ARMA模型,对数据进行拟合。
首先观察自相关图和偏自相关图,从这两图来看,自相关图是4阶截尾的,而篇相关系数是拖尾的。因而我们可以考虑建立MA(4)模型,为了避免个人经验不足而导致模型建立错误,我们可以通过计算机来判断确定。
proc arima data=ex3_1;
identify Var=x nlag=8 minic p=(0:5) q=(0:5);
run;
结果分析:
从上图可以看出,在众多模型中,MA(4)模型的BIC信息量是最小的,因而我们接下来会采用MA(4)模型来进行分析,这与我们上面人工判断分析的结果也是吻合的。
estimate q=4;
run;
结果分析:
以上是我们建立的MA(4)模型中的参数结果。其中,我们可以看出,,它是>,也就说明它是不显著的,而其他参数均是显著的,为了使模型拟合得更优,我们应该除去常数项,再进行模型分析比较。
estimate q=4 noint;
run;
结果分析:
以上是我们删去了常数项之后的结果。从上述参数分析来看,所有的参数的t检验统计量的P值都是<,因而它们都是显著的。
因而我们建立了MA(4)模型如下:
forecast lead=5 id=time out=results;
run;
结果分析:
以上是我们对数据进行了5期的预测,其预测数据均可以从上图中看出来。其中,数据从左往右分别表示序列值的序号、预测值、预测值的标准差、95%的置信下限和95%的置信上限。以下我们把这些预测的数据用图来表现出来:
proc gplot data=results;
plot x*time=1 forecast*time=2 l95*time=3 u95*time=3/overlay;
symbol1 c=black i=none v=star;
symbol2 c=red i=join v=none;
symbol3 c=green i=join v=none l=32;
run;
结果分析:
该图为预测的图像,其中,红色线段表示预测出来的数列,绿色的两条线段分别表示95%的置信下限和95%的置信上限,而黑色的星号标识则是对应的样本数据值。从图来分析