【正文】 后就可以把這段程序保存下來）。 date=intnx(‘week’,’14sep91’d,_n_1)。五、實驗軟件：SAS系統(tǒng)。 實驗十 回歸與時序相結(jié)合的建模一、 實驗?zāi)康模菏煜せ貧w與時序相結(jié)合的建模方法。1進(jìn)行預(yù)測，輸入如下程序：forecast lead=6 。 run。 1提交程序，觀察樣本自相關(guān)系數(shù)和偏相關(guān)系數(shù)和互相關(guān)系數(shù)，我們可以 初步識別傳遞函數(shù)模型為（2，2，3）(思考:為什么?)，即： 1進(jìn)行參數(shù)估計，并查看殘差的相關(guān)情況，輸入如下程序： estimate input=(3$(1,2)/(1,2)x) plot。run。 identify var=x nlag=12。 identifu var=y crosscorr=(x) nlag=12。 plot x*t=1 y*t=2。 保存上述程序，供以后分析使用（只需按工具條上的保存按鈕，然后填寫 完提問后就可以把這段程序保存下來）。 input x y。四、實驗時間：2小時。 1退出SAS系統(tǒng)，關(guān)閉計算機(jī)。思考為什么不對summer和 winter進(jìn)行差分？ 1進(jìn)行預(yù)測值，輸入如下程序： forecast lead=12 id=date interval=month。 identify var=ozone(12) crosscorr=(x1(12) summer winter) noprint。 estimate q=(1)(12) input(x1) noconstant method=ml itprint plot。run。run。提交程序，觀察輸出結(jié)果，可看出模型不是很干凈，且不能通過白噪聲檢驗。run。提交程序，觀察圖形，發(fā)現(xiàn)圖形有很強(qiáng)的季節(jié)性和緩慢下降的趨勢。繪序列圖，輸入如下程序： proc gplot data=exp5。winter=(year1965)summer。month=month(date)?；蛘咻斎肴缦鲁绦颍? data exp5。 date=intnx(‘month’,’1jan55’d,_n_1)。五、實驗軟件：SAS系統(tǒng)。 實驗八 干預(yù)模型的建模一、 實驗?zāi)康模赫莆崭深A(yù)模型的分析方法，進(jìn)一步熟悉ARIMA過程的使用方法。plot air*date=1 forecast*date=2 l95*date=3 u95*date=3/ overlay haxis=’1jan59’d to ‘1jan62’d by year。symbol2 I=join v=plus r=1 c=green。 run。 air=exp(lair)。proc print data=b。 run。 提交程序，觀察樣本自相關(guān)系數(shù)和偏相關(guān)系數(shù)，發(fā)現(xiàn)樣本自相關(guān)系數(shù)在12步，24步，36步特別大,而偏相關(guān)系數(shù)在12步特別大，那么我們再做12步的一階差分，輸入如下程序：identify var=lair(1,12) nlag=36。 identify var=lair nlag=36。 plot lair*date=2。 lair=log(air)。 plot air*date=1。 輸入國際航線月度旅客總數(shù)數(shù)據(jù) ；run。 input air。四、實驗時間：2小時。1 退出SAS系統(tǒng)，關(guān)閉計算機(jī)。 var date forcast。 u95=exp(u95)。 data results。1 提交程序，觀察輸出結(jié)果，可看出模型通過了白噪聲檢驗，說明模型擬合充分，且殘差標(biāo)準(zhǔn)誤與前一估計相差很小，故以此結(jié)果為我們所要的結(jié)果，依此結(jié)果寫出方程式。run。 run。run。run。 run。 Intnx函數(shù)的格式如下： Intnx(interval,from,n)3 保存上述程序，供以后分析使用（只需按工具條上的保存按鈕，然后填寫 完提問后就可以把這段程序保存下來）。 format date yyqc.。六、實驗步驟開機(jī)進(jìn)入SAS系統(tǒng)。二、實驗內(nèi)容：47年1季度到96年3季度美國國民生產(chǎn)總值的季度數(shù)據(jù)。2 提交程序，觀察殘差的樣本自相關(guān)系數(shù)和樣本偏相關(guān)系數(shù)，看是否通過 了白噪聲檢驗。 run。 identify var=x nlag=36。 plot x*n。 end。a3=a2。 a7=a6。a11=a10。x2=x1。x6=x5。x10=x9。 x=x1+x12x13+**a12+*a13。a12=0。 a8=0。a4=0。x13=0。x9=0。x5=0。 x1=。1模擬ARIMA(1,1,0)模型，模擬過程。進(jìn)行模型參數(shù)估計，輸入如下程序：estimate q=1 plot。 提交程序，發(fā)現(xiàn)自相關(guān)系數(shù)成緩慢下降的趨勢，說明要做差分運(yùn)算，做一階差分運(yùn)算，輸入如下程序：proc arima data=a。 proc plot data=exp1。
proc gplot data=exp1。 提交程序，在Graph窗口中觀察圖形。 proc gplot data=a。
if n0 then output。
a=rannor(32565)。 創(chuàng)建數(shù)據(jù)集，在edit窗中輸入如下程序： data a。三、 實驗要求：記錄各ARIMA模型的樣本自相關(guān)系數(shù)和偏相關(guān)系數(shù)觀察各序列 圖形的異同，總結(jié)ARIMA模型的樣本自相關(guān)系數(shù)和偏相關(guān)系數(shù) 的特點四、 實驗時間：2小時。1 提交程序，觀察輸出結(jié)果。1 進(jìn)行預(yù)測，輸入如下程序： forecast lead=12 out=out。 提交程序，觀察輸出結(jié)果，發(fā)現(xiàn)殘差樣本自相關(guān)系數(shù)和樣本偏相關(guān)系數(shù)都 在2倍的標(biāo)準(zhǔn)差之內(nèi)。 run。 proc arima data=exp2。 plot x*n。 輸入化工生產(chǎn)產(chǎn)量數(shù)據(jù)序列（見附表) ；run。 創(chuàng)建名為exp2的SAS數(shù)據(jù)集，即在窗中輸入下列語句：data exp2。寫出 實驗報告。重復(fù)步驟37即可(但部分程序需要修改，請讀者自己完成).1 回到graph窗口觀察各種序列圖形的異同。重復(fù)步驟37即可（但部分程序需要修改，請讀者自己完成）。 run。 proc arima data=a。 plot partcorr*lag=2。 plot corr*lag=1。
identify var=x nlag=10 outcov=exp1。plot x*n。
run。
a2=a1。
a2=0。六、 實驗步驟 開機(jī)進(jìn)入SAS系統(tǒng)。重復(fù)步驟37即可(但部分程序需要修改，請讀者自己完成).回到graph窗口觀察各種序列圖形的異同1退出SAS系統(tǒng),關(guān)閉計算機(jī). 實驗三 模擬MA模型和ARMA模型一、 實驗?zāi)康模菏煜じ鞣NMA模型和ARMA模型的樣本自相關(guān)系數(shù)和偏相關(guān)系數(shù) 的特點，為理論學(xué)習(xí)提供直觀的印象。 run。 proc arima data=a。 plot partcorr*lag。 plot corr*lag。
identify var=x nlag=10 outcov=exp1。
plot x*n。 proc print data=a。
if i0 then output。
x=*x1+*x2。
x2=。六、 實驗步驟開機(jī)進(jìn)入SAS系統(tǒng)。 實驗二 模擬AR模型一、 實驗?zāi)康模菏煜じ鞣NAR模型的樣本自相關(guān)系數(shù)和偏相關(guān)系數(shù)的特點，為理 論學(xué)習(xí)提供直觀的印象。proc print data=out。 提交程序，觀察輸出結(jié)果。初步識別序列為AR(3)模型。 proc arima data=exp1。 plot a1*year。 輸入太陽黑子數(shù)序列(見附表)run。input a1 。四、實驗時間：2小時。22實驗十 回歸與時序相結(jié)合的建模3實驗二 模擬AR模型8實驗五 模擬ARIMA模型和季節(jié)ARIMA模型13實驗七 分析國際航線月度旅客總數(shù)數(shù)據(jù)19實驗九 傳遞函數(shù)模型的建模28美國國民收入數(shù)據(jù)30洛杉磯臭氧每小時讀數(shù)的月平均值數(shù)據(jù)31煤氣爐數(shù)據(jù)35芝加哥某食品公司大眾食品周銷售數(shù)據(jù)37牙膏市場占有率周數(shù)據(jù)三、實驗要求：了解時間序列分析的基本步驟，注意各種語句的輸出結(jié)果。 創(chuàng)建名為exp1的SAS數(shù)據(jù)集，即在窗中輸入下列語句：data exp1。cards。 symbol i=spline v=star h=2 c=green。 識別模型，輸入如下程序。 提交程序，觀察輸出結(jié)果。 run。run。1 退出SAS系統(tǒng)，關(guān)閉計算機(jī)。五、 實驗軟件：SAS系統(tǒng)。
x1=。
a=rannor(32565)。
n=n+1。 觀察輸出的數(shù)據(jù)，輸入如下程序，并提交程序。 symbol i=spline c=red。
proc arima data=a。 symbol i=needle width=6。 symbol i=needle width=6。 估計模型參數(shù)，并與實際模型的系數(shù)進(jìn)行對比，即輸入如下程序，并提交。 estimate p=2。 模擬AR(3)模型，模擬過程。五、 實驗軟件：SAS系統(tǒng)。
a1=0。
x=a+*a1+*a2。
end。symbol i=spline。
proc arima data=a。 symbol1 i=needle c=red。 symbol2 i=needle c=green。 估計模型參數(shù)，并與實際模型的系數(shù)進(jìn)行對比，即輸入如下程序，并提交。 estimate q=2。 模擬情況，模擬過程。1 模擬ARMA模型，模擬過程。三、 實驗要求：掌握ARMA模型建模的基本步驟，初步掌握數(shù)據(jù)分析技巧。六、 實驗步驟 開機(jī)進(jìn)入SAS系統(tǒng)。 cards。 symbol i=spline v=star h=2 c=green。 識別模型，輸入如下程序。 提交程序，觀察輸出結(jié)果，發(fā)現(xiàn)二階樣本自相關(guān)系數(shù)和一階的樣本偏相關(guān)系數(shù)都在2倍的標(biāo)準(zhǔn)差之外，那么我們首先作為一階AR模型估計，輸入如下程序： estimate plot p=1。 run。 記錄參數(shù)估計值，寫出模型方程式。 run。二、 實驗內(nèi)容：隨機(jī)模擬各種ARIMA模型。模擬ARIMA(0,1,1)過程，模擬過程。
do n=50 to
a1=a。 觀察輸出的數(shù)據(jù)序列，輸入如下程序：。 run。
run。 run。 run。 提交程序，觀察樣本自相關(guān)系數(shù)與樣本偏相關(guān)系數(shù)，發(fā)現(xiàn)自相關(guān)系數(shù)1階截尾，故判斷差分后序列為MA(1)模型。寫出模型的方程，并與真實模型對比。1創(chuàng)建數(shù)據(jù)集，在edit窗中輸入如下程序： data c。x4=0。 x8=0。x12=0。a3=0。a7=0。a11=0。 a=rannor(12345)。x11=x10。 x7=x6。x3=x2。a12=a11。a8=a7。a4=a3。 if n0 then output。 symbol i=spline c=red。1 初步識別模型，輸入如下程序： proc arima data=c。1 做季節(jié)差分和一階差分除掉季節(jié)因子和趨勢因子，輸入如下程序： identify var=x(1,12) nlag=36。 run。2