【正文】 在這個(gè) Libraries 對(duì)話框中可以更方便地完成上述的庫標(biāo)記的建立 （ 單擊 New Library 按鈕）和修改 （ 單擊 Modify Library按鈕），數(shù)據(jù)庫和 SAS文件的查看（使用 View 下拉菜單）和更新（單擊 Refresh 按鈕）等 SAS 數(shù)據(jù)庫的管理。 二 . 對(duì) SAS 數(shù)據(jù)庫的管理 1 聯(lián)系和刪除庫標(biāo)記的方法 可以使用 LIBNAME 語句把庫標(biāo)記與一個(gè) 物理名字聯(lián)系起來 .例如上面例子中 : libname Study 39。 SAS 數(shù)據(jù)庫是一個(gè)邏輯概念，沒有物理實(shí)體 。 title3 39。d to 39。 symbol4 i=join l=1 font=swissb c=green。1jan5739。 x=exp(xlog)。 forecast lead=12 interval=month id=date out=forxlog。估計(jì)值之間的相關(guān)系數(shù) 為 ，這是一個(gè)較小的相關(guān)系數(shù)，如果這個(gè)相關(guān)系數(shù)較大時(shí)，就需要考慮是否刪除其中一個(gè)參數(shù)。擬合的 12)1,1,1()1,1,1( ?A R IM A 模型的具體形式為： tt BB BBZBB ?))(( ))(()1)(1( 121212?? ????? () 表中的 AR1,1 及 AR2,1 的 t 率分別為 和 ，由于 t 率太小， 因此， 該項(xiàng)系數(shù)為 0的假設(shè)檢驗(yàn)并不顯著，故可以丟棄這兩項(xiàng)。 estimate q=(1)(12) p=(1)(12) noconstant 。 提交 程序 運(yùn)行后，結(jié)果 如 表 所示。 title1 39。1jan4939。 symbol1 i=join v=c h=3 l=1 r=1 font=swissb c=green。 run。 9f7f455e131c908d9235459d28b49e0b 商務(wù)數(shù)據(jù)分析 電 子商務(wù)系列 上海財(cái)經(jīng)大學(xué)經(jīng)濟(jì)信息管理系 IS/SHUFE Page 9 of 49 （ 2） 取兩次差分消除季節(jié)增長趨勢(shì) 從圖 ，對(duì)原始時(shí)間序列取對(duì)數(shù)變換后的新序列，明顯呈現(xiàn)季節(jié)性的增長的趨勢(shì)，仔細(xì)分析每 12個(gè)單位的周期 后發(fā)現(xiàn) 還有增長趨勢(shì)。 axis3 label=(39。) order=( to by ) offset=(0,45)。d to 39。程序如下： data arimad02。 ? 如果時(shí)間序列呈二次趨勢(shì)，均值不是常數(shù)，利用二階差分將產(chǎn)生一個(gè)平穩(wěn)序列。 ACF 本身似乎隨著時(shí)滯長度的增加而呈下降趨勢(shì)。 identify var=x。 run。) order=(39。1jan6139。 input x 。 表 1949 年至 1961 年國際航線旅客月度人數(shù) YEAR 1 2 3 4 5 6 7 8 9 10 11 12 1949 112 118 132 129 121 135 148 148 136 119 104 118 1950 115 126 141 135 125 149 170 170 158 133 114 140 1951 145 150 178 163 172 178 199 199 184 162 146 166 1952 171 180 193 181 183 218 230 242 209 191 172 194 1953 196 196 236 235 229 243 264 272 237 211 180 201 1954 204 188 235 227 234 264 302 293 259 229 203 229 1955 242 233 267 269 270 315 364 347 312 274 237 278 1956 284 277 317 313 318 374 413 405 355 306 271 306 1957 315 301 356 348 355 422 465 467 404 347 305 336 1958 340 318 362 348 363 435 491 505 404 359 310 337 1959 360 342 406 396 420 472 548 559 463 407 362 405 1960 417 391 419 461 472 535 622 606 408 461 390 432 1. 建立數(shù)據(jù)集和繪制原始時(shí)間序列圖 首先，輸入要分析的時(shí)間序列的數(shù)據(jù)，建立 SAS 數(shù)據(jù)集。 ? id=變量名 ——指明輸入數(shù)據(jù)集中一個(gè)變量，用于識(shí)別與觀測(cè)有關(guān)的時(shí)間周期。上下置信限的置信水平為 1－ ?。默認(rèn)值為 cls。 2. estimate 語句中的 選項(xiàng)列表 該語句對(duì)已執(zhí)行的 identify 語句中的響應(yīng)變量規(guī)定一個(gè)模型，可以縮寫為 e。例如， var=X（ 1）為對(duì)滯后 1 項(xiàng)的序列差分，即 Xt－ Xt1。 identify var=變量（ ? ） 選項(xiàng)列表 。 圖 BoxJenkins 法建模過程示意圖 二、 ARIMA 過程 SAS/ETS 軟件中的 ARIMA 過程是集一元時(shí)間序列模型判定、參數(shù)估計(jì)和預(yù)測(cè)為一體的9f7f455e131c908d9235459d28b49e0b 商務(wù)數(shù)據(jù)分析 電 子商務(wù)系列 上海財(cái)經(jīng)大學(xué)經(jīng)濟(jì)信息管理系 IS/SHUFE Page 4 of 49 多功能綜合工具。如果模型確定，還可以檢驗(yàn)樣本自相關(guān)系數(shù) SACF 和樣本偏自相關(guān)系數(shù) SPACF，以分出模型的類型。這一關(guān)系表明，任何非平穩(wěn)序列只要通過適當(dāng)階數(shù)的差分實(shí)現(xiàn)差分后平穩(wěn)，就可以對(duì)差分后序列進(jìn)行ARMA模型的擬合了。 1. ARIMA 模型的結(jié)構(gòu) 許多實(shí)際的序列，特別是從經(jīng)濟(jì)和商業(yè)領(lǐng)域產(chǎn)生的時(shí)間序列是非平穩(wěn)的，由于 受 觀察個(gè)數(shù)所限，我們建立有限階數(shù)模型，描述時(shí)間序列過程。在多變量場合， 70年代末， G. E. P. Box教授和刁錦寰教授在處理洛山磯的環(huán)境數(shù)據(jù)時(shí)，提出了干預(yù)分析和異常值檢驗(yàn)方法。使時(shí)間序列分析廣泛地運(yùn)用成為可能。隨著對(duì)時(shí)間序列應(yīng)用的深入研究，發(fā)現(xiàn)還存在著許多局限性。對(duì)于時(shí)間序列數(shù)據(jù)分析無論是采用確定性時(shí)序分析方法 ， 還是隨機(jī)時(shí)序分析方法，分析的第一步都是要通過有效手段提取序列中所蘊(yùn)藏的確定性信息。 qq BBBB ??? ?????? ?2211)( 為平穩(wěn)可逆 ),( qpARMA 模型的移動(dòng)平滑系數(shù)多項(xiàng)式。 （ 1） 識(shí)別階段 使用 identify 語句來指定響應(yīng)變量序列并且識(shí)別候選 ARIMA 模型。關(guān)于白噪聲殘差檢驗(yàn)可指明殘差序列是否包含可被其他更復(fù)雜模型采用的額外信息。該過程通常分三個(gè)階段進(jìn)行：首先識(shí)別序列，然后估計(jì)和診斷檢驗(yàn)?zāi)Ｐ?，最后進(jìn)行預(yù)測(cè)。 1. identify 語句中的 選項(xiàng)列表 指定了構(gòu)造模型的時(shí)間序列變量，可以將 identify 語句縮寫為 i。 ? crosscorr=（干預(yù)變量（ d1）） ——列出有 var=指定的響應(yīng)序 列的交叉相關(guān)變量。 ? noint——在該模型中不擬合截距參數(shù)。 3. forecast 語句中的 選項(xiàng)列表 該語句利用 estimate 語句所產(chǎn)生的參數(shù)估計(jì)生成時(shí)間序列的預(yù)測(cè)值。默認(rèn)值為 0。我們已有一組 1949 年至 1961 年國際航線旅客月度人數(shù)的 144條記錄。,39。 plot x*date /vaxis=axis1 haxis=axis2 href=39。) order=(100 to 650 by 50)。 format date monyy. 。 ? 利用 proc arima 估計(jì)平穩(wěn)性。一般來說，如果 ACF 緩慢地向零趨近，而幾個(gè)時(shí)滯的 ACF 卻相當(dāng)大，那么序列也許不平穩(wěn)。 3. 變換不平穩(wěn)序列為平穩(wěn)序列 如果斷定一個(gè)時(shí)間序列 是不平穩(wěn)的，通?？梢宰饕恍┖唵蔚淖儞Q或修正，使其減少趨勢(shì)或平穩(wěn)化。因此 ， 我們可以對(duì)這批數(shù)據(jù)取對(duì)數(shù)來先消除增幅越來越大的現(xiàn)象。 proc gplot data=arimad02 。 symbol2 i=join v=c h=3 l=1 r=1 font=swissb c=blue。d to 39。Time Serial Log Chart39。 dif12=dif1(xlog)(lag1(xlog)lag12(xlog))。1jan6139。 axis2 label=(39。Dif11239。程序如下： proc arima data=arimad02。常用的有極大似然估計(jì)、最小二乘估計(jì)等方法。如果擬合的模 型是可行的，那么，應(yīng)該所有參數(shù)估計(jì)具有顯著的 t 值，殘差近似地為正態(tài)，殘差序列具有隨機(jī)無趨勢(shì)序列的 ACF 與 PACF，且不含有過度的 p、 d 和 q。 ARIMA Procedure Conditional Least Squares Estimation Approx. Parameter Estimate Std Error T Ratio Lag MA1,1 1 MA2,1 12 AR1,1 1 AR2,1 12 Variance Estimate = Std Error Estimate = AIC = * SBC = * Number of Residuals= 131 * Does not include log determinant. Correlations of the Estimates Parameter MA1,1 MA2,1 AR1,1 AR2,1 MA1,1 MA2,1 AR1,1 AR2,1 Autocorrelation Check of Residuals To Chi Autocorrelations Lag Square DF Prob 6 2 12 8 18 14 24 20 Model for variable XLOG No mean term in this model. Period(s) of Differencing = 1,12. Autoregressive Factors Factor 1: 1 B**(1) Factor 2: 1 + B**(12) Moving Average Factors Factor 1: 1 B**(1)