【文章內(nèi)容簡介】 性。為了便于比較，我們將原始時間序列和消除增幅后的時間序列按 12 個時間單位的間隔繪制在一張圖表上。程序如下： data arimad02。 set arimad01 。 xlog=log(x)。 proc print data=arimad02。 run。 proc gplot data=arimad02 。 plot xlog*date / vaxis=axis1 haxis=axis2 href=39。31dec194939。d to 39。1jan6139。d by year。 plot2 x*date /vaxis=axis3 vref=100。 symbol1 i=join v=c h=3 l=1 r=1 font=swissb c=green。 symbol2 i=join v=c h=3 l=1 r=1 font=swissb c=blue。 axis1 label=(39。Log39。) order=( to by ) offset=(0,45)。 axis2 label=(39。12 Month39。) order=(39。1jan4939。d to 39。1jan6139。d by year)。 axis3 label=(39。Passenger39。) order=(100 to 650 by 50) offset=(23,0)。 format date monyy. 。 title1 39。Time Serial Log Chart39。 run。 提交 程序 運行后，結(jié)果 如 圖 所示。 9f7f455e131c908d9235459d28b49e0b 商務(wù)數(shù)據(jù)分析 電 子商務(wù)系列 上海財經(jīng)大學(xué)經(jīng)濟信息管理系 IS/SHUFE Page 9 of 49 （ 2） 取兩次差分消除季節(jié)增長趨勢 從圖 ，對原始時間序列取對數(shù)變換后的新序列，明顯呈現(xiàn)季節(jié)性的增長的趨勢，仔細分析每 12個單位的周期 后發(fā)現(xiàn) 還有增長趨勢。所以 ， 需要對這個新序列數(shù)據(jù)再進行滯后一次和滯后 12次共兩次差分 ， 最終轉(zhuǎn)換為平穩(wěn)序列。同樣為了便于比較，我們?nèi)匀辉谝粡垐D上繪制轉(zhuǎn)換前的時間序列和轉(zhuǎn)換后的最終的平穩(wěn)時間序列 。程序如下： data arimad03。 set arimad02。 dif12=dif1(xlog)(lag1(xlog)lag12(xlog))。 run。 proc print data=arimad03。 run。 proc gplot data=arimad03 。 plot xlog*date /vaxis=axis1 haxis=axis2 href=39。31dec194939。d to 39。1jan6139。d by year。 plot2 dif12*date /vaxis=axis3 vref=1。 symbol1 i=join v=c h=3 l=1 r=1 font=swissb c=green。 symbol2 i=join v=c h=3 l=1 r=1 font=swissb c=blue。 axis1 label=(39。Log39。) order=( to by ) offset=(0,45)。 axis2 label=(39。12 Month39。) order=(39。1jan4939。d to 39。1jan6139。d by year)。 axis3 label=(39。Dif11239。) order=(1 to 1 by ) offset=(23,0)。 format date monyy. 。 title1 39。Time Serial Dif Chart39。 run。 圖 對原始數(shù)據(jù)序列取對數(shù)以消除變大的季節(jié)震幅 9f7f455e131c908d9235459d28b49e0b 商務(wù)數(shù)據(jù)分析 電 子商務(wù)系列 上海財經(jīng)大學(xué)經(jīng)濟信息管理系 IS/SHUFE Page 10 of 49 提交 程序 運行后，結(jié)果 如 圖 所示。 4. 檢驗待選的時間序列模型的自相關(guān)函數(shù) 對需要轉(zhuǎn)換為平穩(wěn)時間序列的數(shù)據(jù)，如果最終是要用差分的方法來轉(zhuǎn)換，通常可直接調(diào)用 PROC ARIMA過程的 identify 語句來實現(xiàn)對指定變量 xlog所選差分的時滯數(shù)（如 1 和 12）的檢驗。程序如下： proc arima data=arimad02。 identify var=xlog(1,12) nlag=15。 run。 提交 程序 運行后，結(jié)果 如 表 所示。 表 自相關(guān)圖、逆自相關(guān)圖、偏自相關(guān)圖和白噪聲檢驗 圖 對時間序列取兩次差分以消除季節(jié)增長趨勢 9f7f455e131c908d9235459d28b49e0b 商務(wù)數(shù)據(jù)分析 電 子商務(wù)系列 上海財經(jīng)大學(xué)經(jīng)濟信息管理系 IS/SHUFE Page 11 of 49 從表 的 ACF 圖中，我們認為自相關(guān)系數(shù)在延遲 1階后都落入 2倍標(biāo)準(zhǔn)差內(nèi)，然后在ARIMA Procedure Name of variable = XLOG. Period(s) of Differencing = 1,12. Mean of working series = Standard deviation = Number of observations = 131 NOTE: The first 13 observations were eliminated by differencing. Autocorrelations Lag Covariance Correlation 1 9 8 7 6 5 4 3 2 1 0 1 2 3 4 5 6 7 8 9 1 Std 0 | |********************| 0 1 | ********| . | 2 | . |* . | 3 | .***| . | 4 | . |* . | 5 | . *| . | 6 | . |***. | 7 | . **| . | 8 | . | . | 9 | . |** . | 10 | . *| . | 11 | . |* . | 12 | ******| . | 13 | . |***. | 14 | . *| . | 15 | . |*** . | . marks two standard errors Inverse Autocorrelations Lag Correlation 1 9 8 7 6 5 4 3 2 1 0 1 2 3 4 5 6 7 8 9 1 1 | . |********** | 2 | . |***** | 3 | . |**. | 4 | . | . | 5 | .**| . | 6 | ****| . | 7 | . *| . | 8 | . *| . | 9 | . | . | 10 | . |**. | 11 | . |**** | 12 | . |****** | 13 | . |*** | 14 | . |* . | 15 | . | . | ARIMA Procedure Partial Autocorrelations Lag Correlation 1 9 8 7 6 5 4 3 2 1 0 1 2 3 4 5 6 7 8 9 1 1 | ********| . | 2 | .**| . | 3 | ****| . | 9f7f455e131c908d9235459d28b49e0b