《时间序列分析》
课 程 实 验 报 告
项目名称：组员姓名：指导教师：完成日期：
平稳时间序列分析 李菲 牛宪华 2015 年 4 月 13 日
时间序列分析课程实验报告
一、Intnx 函数的使用。
使用Intnx 函数产生序列的时间间隔，分别对同一组数据产生其时间间隔，分别调整观测指针由参照时间向过去和未来拨1期，观察序列数据的变化。 数据：2012年12个月化工生产过程的产量数据47 64 23 71 38 64 55 41 59 48 71 35
（1）由参照时间向过去拨1期
data xiti1; input x@@;
month=intnx('month','1jan2012'd,_n_-2); format month monyy.; cards;
47 64 23 71 38 64 55 41 59 48 71 35 ;
proc print data=xiti1;
run;
（1）由参照时间向未来拨1期
data xiti1; input x@@;
month=intnx('month','1jan2012'd,_n_-0); format month monyy.; cards;
47 64 23 71 38 64 55 41 59 48 71 35 ;
proc print data=xiti1;
run;
第1页
时间序列分析课程实验报告
二、分析太阳黑子数序列(见附数据1)，预测6期结果。
步骤
1、开机进入SAS 系统。
2、创建名为exp1的SAS数据集，即在窗中输入下列语句： data exp1； input a1 @@；
year=intnx(‘year’,’1jan1742’d,_n_-1)； format year year4.； cards；
输入太阳黑子数序列(见附数据1) run；
3、保存此步骤中的程序，供以后分析使用（只需按工具条上的保存按钮然后填写完提问 后就可以把这段程序保存下来即可）。
4、绘数据与时间的关系图，初步识别序列，输入下列程序： proc gplot data=exp1；
symbol i=spline v=star h=2 c=green； plot a1*year； run；
5、提交程序，在graph窗口中观察序列，可以看出此序列是均值平稳序列。 6、识别模型，输入如下程序。 proc arima data=exp1； identify var=a1 nlag=24； run；
7、提交程序，观察输出结果。初步识别序列为AR(3)模型。 8、估计和诊断。输入如下程序： estimate p=3； run；
9、提交程序，观察输出结果。假设通过了白噪声检验，且模型合理，则进行预测。 10、进行预测，输入如下程序：
forecast lead=6 interval=year id=year out=out；
第2页
时间序列分析课程实验报告
run；
proc print data=out； run；
11、提交程序，观察输出结果。 12、退出SAS 系统，关闭计算机。
此图为预测的6年结果：
下面分别为拟合预测图及其相关命令：
proc gplot data=out;
plot a1*year=1 forecast*year=2 l95*year=3 u95*year=4/overlay; symbol1 c=black i=none v=star; symbol2 c=red i=join v=none; symbol3 c=green i=join v=dot; symbol4 c=blue i=join v=dot; run;
三、分析化工生产过程的产量序列（见附数据2)，预测6期结果。
第3页
时间序列分析课程实验报告
第一步：
data exp2; input a1 @@;
time=intnx('month','1jan2000'd,_n_-1); format time monyy.; cards;
47 64 23 71 38 64 55 41 59 48 71 35 57 40 58 44 80 55 37 74 51 57 50 60 45 57 50 45 25 59 50 71 56 74 50 58 45 54 36 54 48 55 45 57 50 62 44 64 43 52 38 59 55 41 53 49 34 35 54 45 68 38 50 60 39 59 40 57 54 23 ; run;
proc gplot data=exp2;
symbol i=spline v=star h=2 c=green; plot a1*time; run;
分析：观察上图可知其产量基本在50左右随机波动，没有明显趋势或周期，故可认为该序列为平稳序列。 第二步：
proc arima data=exp2; identify var=a1 nlag=24; run;
第4页
时间序列分析课程实验报告
分析：由上图可看出该序列的自相关系数2阶截尾，偏自相关系数1阶截尾，则可尝试AR(1)模型、MA(2)模型。 第三步：
①AR（1）模型：
第5页
时间序列分析课程实验报告
estimate p=1; run;
分析：其参数检验p只为0.0001、0.0005，均小于显著性水平0.05，故参数显著。 此为AR（1）模型：
②MA(2)模型：
estimate q=2; run;
分析：其参数检验p只为0.0001、0.0099、0.0134，均小于显著性水平0.05，故参数显著。 此为MA(2)模型：
第6页
时间序列分析课程实验报告
分析：两个模型的AIC分别为535.7896、536.4556.故选择AR(1)模型为最优。
分析：上图为AR(1)模型残差自相关检验结果，可以明显的看出其延迟各阶的P值均大于显著性水平0.05，故接受原假设，残差序列为白噪声序列，即残差序列中不存在未被提取的有效信息，故该拟合AR(1)模型显著成立。 第四步：
forecast lead=6 id=time out=results; run;
proc print data=results; run;
proc gplot data=results;
plot a1*time=1 forecast*time=2 l95*time=3 u95*time=4/overlay; symbol1 c=black i=join v=none; symbol2 c=green i=join v=none; symbol3 c=red i=join v=dot; symbol4 c=blue i=join v=dot; run;
第7页
时间序列分析课程实验报告
分析：上面的图分别为预测结果集和拟合预测图。在拟合预测图中可以明确的看出其置信区间明显的分布在预测值与实际值的两边，且预测越多，其开口越大。而实际值与预测值也有一些出入，但其大致的走向和实际值基本一样。
下图为确定了拟合模型后的全部程序：
第8页
时间序列分析课程实验报告
附数据2：
太阳黑子年度数据(1742-1957)
1000.700 571.900 573.600 368.300 146.600 114.800 122.300 389.10 571.200 647.600 754.300 1030.200 733.800 541.400 436.200 250.900 136.900 453.900 838.100 1273.100 1209.600 979.000 797.900 417.300 367.400 84.100 237.800 1110.000 1852.400 1511.100 1017.600 817.100 461.500 273.600 122.000 289.200 994.400 1584.300 1570.900 1417.300 1078.700 799.000
第9页
时间序列分析课程实验报告
720.500 562.800 492.000 255.200 192.200 76.700 48.800 81.100 173.700 408.000 540.400 516.600 569.600 506.900 337.300 120.600 97.700 30.400 .000 17.000 59.400 146.300 167.200 424.800 549.700 492.700 360.700 287.300 188.100 79.100 48.000 21.500 102.500 198.800 435.300 596.500 769.800 804.300 851.800 573.700 330.300 102.300 158.900 682.300 1457.400 1659.300 1237.800 1029.800 758.300 441.600 290.300 128.100 180.000 480.700 738.000 1181.500 1491.800 1150.400 798.400 774.000 650.500 468.300 246.800 80.500 51.600 273.300 657.700 1126.000 1148.300 926.000 709.300 528.200 563.400 365.700 195.500 87.100 447.500 886.800 1669.300 1334.400 1220.000 795.500 535.800 204.900 135.800 147.300 40.500 71.500 387.200 651.000 715.800 764.400 761.400 625.900 304.500 156.600 81.000 75.200 84.600 427.500 875.600 1019.200 936.100 767.600 501.400 314.900 320.600 145.300 113.500 32.900 60.300 292.600 503.400 761.600 646.300 744.400 582.500 526.600 223.000 68.400 43.100 17.300 115.100 568.400 684.800 1246.700 966.900 763.300 451.700 313.600 170.900 69.300 200.600 531.700 766.700 828.500 933.500 779.600 428.000 254.700 133.700 67.900 104.600 432.700 956.800 1372.800 1314.600 1065.000 813.400 569.700 367.200 195.900 115.100 397.100 1110.100 1798.100 1634.400 1621.400 1007.100 837.100 376.900 166.200 52.900 455.400 1700.500 2278.200 2215.100 1905.000 1347.300 646.800 451.200 334.700 122.400 180.700
附数据2：化工生产过程的产量数据
（顺序是横向排列）
47 64 23 71 38 64 55 41 59 48 71 35 57 40 58 44 80 55 37 74 51 57 50 60 45 57 50 45 25 59 50 71 56 74 50 58 45 54 36 54 48 55 45 57 50 62 44 64 43 52 38 59 55 41 53 49 34 35 54 45 68 38 50 60 39 59 40 57 54 23
第10页
因篇幅问题不能全部显示，请点此查看更多更全内容