【文章內(nèi)容簡(jiǎn)介】 。 date=intnx(‘month’,’1jan49’d,_n_1)。 format date monyy.。 cards。 輸入國(guó)際航線月度旅客總數(shù)數(shù)據(jù) ；run。 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）。 繪序列圖，輸入如下程序： proc gplot data=exp4。 symbol1 i=spline v=dot c=red。 plot air*date=1。 run。 提交程序，觀察圖形，發(fā)現(xiàn)圖形有很強(qiáng)的季節(jié)性，且成指數(shù)函數(shù)上升形式，故做對(duì)數(shù)變換，輸入如下程序：data lair。 set exp4。 lair=log(air)。run。 繪變換后序列圖，輸入如下程序：proc gplot data=lair。 symbol2 i=spline c=green。 plot lair*date=2。run。 提交程序，到graph窗口中觀察變換后的序列圖，可以看出它總的趨勢(shì)成直線上升，且有很強(qiáng)的季節(jié)性。對(duì)序列做初步識(shí)別，輸入如下程序：proc arima data=lair。 identify var=lair nlag=36。 run。 提交程序，觀察樣本自相關(guān)系數(shù)和偏相關(guān)系數(shù)，可看出樣本自相關(guān)系數(shù)有緩慢下降趨勢(shì)，偏相關(guān)系數(shù)在1步，13步，25步較大，我們作一步一階差分，輸入如下程序：identity var=lair(1) nlag=36。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?cè)僮?2步的一階差分，輸入如下程序：identify var=lair(1,12) nlag=36。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1步，12步特別大,而偏相關(guān)系數(shù)看不出有特別的規(guī)律，我們可確定模型的MA因子為。1進(jìn)行參數(shù)估計(jì)，輸入如下程序： estimate q=(1)（12）noconstant method=uls plot。 run。12 、提交程序，觀察輸出結(jié)果，可看出模型通過了白噪聲檢驗(yàn)，說明模型擬 合充分，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。1進(jìn)行預(yù)測(cè)，輸入如下程序：forecast lead=36 interval=month id=date out=b。run。proc print data=b。run。 1提交程序，仔細(xì)觀察預(yù)測(cè)的結(jié)果有什么規(guī)律，思考為什么有這樣的規(guī)律？1變換預(yù)測(cè)值，以獲取原度量下的預(yù)測(cè)值，輸入如下程序： data c。 set b。 air=exp(lair)。 forecast=exp(forecast+std*std/2)。 l95=exp(l95)。 u95=exp(u95)。 run。 proc print data=c。 run。1 繪預(yù)測(cè)和置信限的散點(diǎn)圖，輸入如下程序：symbol1 I=none v=star r=1 c=red。symbol2 I=join v=plus r=1 c=green。symbol3 I=join v=none l=3 r=1 c=blue。proc gplot data=c。 where data=’1jan59’d。plot air*date=1 forecast*date=2 l95*date=3 u95*date=3/ overlay haxis=’1jan59’d to ‘1jan62’d by year。 run。 1 提交程序，觀察圖形。1 退出SAS系統(tǒng)，關(guān)閉計(jì)算機(jī)。 實(shí)驗(yàn)八 干預(yù)模型的建模一、 實(shí)驗(yàn)?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。二、實(shí)驗(yàn)內(nèi)容：1955年1月至1972年12月洛杉磯月平均臭氧數(shù)據(jù)。三、實(shí)驗(yàn)要求：寫出實(shí)驗(yàn)報(bào)告，掌握干預(yù)模型的建模方法。四、實(shí)驗(yàn)時(shí)間：2小時(shí)。五、實(shí)驗(yàn)軟件：SAS系統(tǒng)。六、實(shí)驗(yàn)步驟開機(jī)進(jìn)入SAS系統(tǒng)。建立名為exp5的SAS數(shù)據(jù)集，輸入如下程序：data exp5。 input n ozone x1 summer winter@@。 date=intnx(‘month’,’1jan55’d,_n_1)。 format date monyy.。 cards。 輸入洛杉磯月平均臭氧數(shù)據(jù) ；run。或者輸入如下程序： data exp5。 input ozone @@。 date=intnx(‘month’,’1jan55’d,_n_1)。format date monyy.。month=month(date)。year=year(date)。x1=year=1960。summer=(5month11)*(year1965)。winter=(year1965)summer。 cards。 只輸入 ozone 一欄的數(shù)據(jù) ； run。 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）。繪序列圖，輸入如下程序： proc gplot data=exp5。 symbol1 i=spline v=dot c=red。 plot ozone*date=1。 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(shì)。 初步識(shí)別模型，輸入如下程序： identify var=ozone nlag=36。 run。 提交程序，觀察樣本自相關(guān)系數(shù)和偏相關(guān)系數(shù)，可看出樣本自相關(guān)系數(shù)在1步，12步，24步，36步都較大，且具有周期性，偏相關(guān)系數(shù)在1步最大，我們作季節(jié)差分，輸入如下程序：identify var=ozone(12) nlag=36。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 1步，12步較大,而偏相關(guān)系數(shù)在1步，12步，24步都較大，且呈現(xiàn)拖尾 現(xiàn)象，我們可確定模型的MA因子為。進(jìn)行參數(shù)估計(jì)，輸入如下程序： estimate q=(1)（12）noconstant method=uls plot。 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(yàn)。我們可以做殘差序列圖，觀看殘差的特性，輸入如下程序：forecast lead=12 out=b id=date interval=month id=date。run。1進(jìn)行預(yù)測(cè)，輸入如下程序：forecast lead=36 interval=month id=date out=b noprint。run。proc gplot data=b。symbol I=spline v=dot c=red。plot residual*date。run。 1提交程序，觀察圖形，可看出前面一段時(shí)期的殘差比后面的要大。 1我們考察修建高速公路后，是否對(duì)臭氧有顯著性影響，輸入如下程序： proc arima data=exp5。 identify var=ozone(12) crosscorr=(x1(12)) noprint。 estimate q=(1)(12) input(x1) noconstant method=ml itprint plot。 run。1提交程序，觀察輸出結(jié)果，發(fā)現(xiàn)模型的標(biāo)準(zhǔn)差,AIC,SBC都變小了很多， 且x1的影響顯著。思考為什么要對(duì)x1進(jìn)行季節(jié)差分？1我們?cè)賮砜疾炱囇b上尾氣過濾器，是否對(duì)臭氧有顯著性影響，輸入如 下程序： proc arima data=exp5。 identify var=ozone(12) crosscorr=(x1(12) summer winter) noprint。 estimate q=(1)(12) input(x1 summer winter) noconstant method=ml itprint plot。 run。1 提交程序，觀察輸出結(jié)果，發(fā)現(xiàn)模型的標(biāo)準(zhǔn)差,AIC,SBC都變小了，且 模型基本上通過了白噪聲檢驗(yàn)，并且x1,summer的影響顯著,而winter 的影響不顯著。思考為什么不對(duì)summer和 winter進(jìn)行差分？ 1進(jìn)行預(yù)測(cè)值，輸入如下程序： forecast lead=12 id=date interval=month。 run。 注：這樣的預(yù)測(cè)是x1,summer,winter已知的預(yù)測(cè)。 1提交程序，觀察預(yù)測(cè)值。 1退出SAS系統(tǒng)，關(guān)閉計(jì)算機(jī)。 實(shí)驗(yàn)九 傳遞函數(shù)模型的建模一、 實(shí)驗(yàn)?zāi)康模菏煜鬟f函數(shù)模型的建模方法。二、實(shí)驗(yàn)內(nèi)容：煤氣爐數(shù)據(jù)。三、實(shí)驗(yàn)要求：寫出實(shí)驗(yàn)報(bào)告，總結(jié)傳遞函數(shù)模型的建模的一般步驟。四、實(shí)驗(yàn)時(shí)間：2小時(shí)。五、實(shí)驗(yàn)軟件：SAS系統(tǒng)。六、實(shí)驗(yàn)步驟開機(jī)進(jìn)入SAS系統(tǒng)。建立名為exp6的SAS數(shù)據(jù)集，輸入如下程序：data exp6。 input x y@@。 t=_n_。 cards。 輸入煤氣爐數(shù)據(jù) ；run。 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）。繪序列圖，輸入如下程序： proc gplot data=exp6。 symbol1 i=spline c=red。 symbol2 i=spline c=green。 plot x*t=1 y*t=2。 run。提交程序，仔細(xì)觀察兩序列圖形，看兩者有何聯(lián)系。先觀察和的相關(guān)情況，看是否要做差分，輸入如下程序： proc arima data=exp6。 identifu var=y crosscorr=(x) nlag=12。 run。提交程序，觀察的自相關(guān)和互相關(guān)系數(shù)，發(fā)現(xiàn)都很快的衰減，表明不 要做差分運(yùn)算。 識(shí)別輸入序列, 輸入如下程序：proc arima data=exp6。 identify var=x nlag=12。 run。 提交程序，觀察的自相關(guān)和偏相關(guān)系數(shù)，可以看到偏相關(guān)系數(shù)是3步 截尾的。對(duì)擬合AR(3)模型，看是否充分，輸入如下程序：estimate p=3 plot。run。1提交程序，觀察輸出結(jié)果，可看到模型通過了白噪聲檢驗(yàn)，說明擬合效果不錯(cuò)，把擬合的方程式寫出來。1觀察預(yù)白噪聲化后的兩序列的互相關(guān)系數(shù)，輸入如下程序： identify var=y crosscorr=(x) nlag=12。 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(shí)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(jì)，并查看殘差的相關(guān)情況，輸入如下程序： estimate input=(3$(1,2)/(1,2)x) plot。 run。1提交程序，觀察輸出結(jié)果，可以看到殘差的偏相關(guān)系數(shù)是2步 截尾的。那么模型可識(shí)別為： 1進(jìn)行參數(shù)估計(jì)，輸入如下程序： 　estimate p=2 input=(3$(1,2)/(1,2)x) plot。 run。1 提交程序，觀察輸出結(jié)果，可看到很小，且模型通過了白噪聲檢驗(yàn)，那么我們除掉這一項(xiàng),再進(jìn)行估計(jì)，輸入如下程序： estimate p=2 input=(3$(1,2)/(1)x) plot。 run。1 提交程序，觀察輸出結(jié)果，可看到模型通過了白噪聲檢驗(yàn)提交程序，說明模型擬合充分,請(qǐng)寫出方程式。1進(jìn)行預(yù)測(cè)，輸入如下程序：forecast lead=6 。run。 提交程序，觀察預(yù)測(cè)結(jié)果。 2退出SAS系統(tǒng)，關(guān)閉計(jì)算機(jī)。 實(shí)驗(yàn)十 回歸與時(shí)序相結(jié)合的建模一、 實(shí)驗(yàn)?zāi)康模菏煜せ貧w與時(shí)序相結(jié)合的建模方法。二、實(shí)驗(yàn)內(nèi)容：芝加哥某食品公司大眾食品周銷售數(shù)據(jù)。三、實(shí)驗(yàn)要求：寫出實(shí)驗(yàn)報(bào)告，總結(jié)回歸與時(shí)序相結(jié)合的建模的一般步驟。四、實(shí)驗(yàn)時(shí)間：2小時(shí)。五、實(shí)驗(yàn)軟件：SAS系統(tǒng)。六、實(shí)驗(yàn)步驟開機(jī)進(jìn)入SAS系統(tǒng)。建立名為exp7的SAS數(shù)據(jù)集，輸入如下程序：data exp7。 input y1 y2 y3 y4 @@。 date=intnx(‘week’,’14sep91’d,_n_1)。 format date date9.。 cards。 輸入芝加哥某食品公司大眾食品周銷售數(shù)據(jù) ；run。 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）。首先只分析銷售額的數(shù)據(jù)，不加回歸項(xiàng)。繪序列圖，輸入如下程序： proc gplot data=exp7。 symbol1 i=spline c=red。 plot y1*date=1。 run。提交程序，仔細(xì)觀察序列圖形。初步識(shí)別模型，輸入如下程序： proc arima data=exp7。 identifu var=y1 nlag=15。 run。提交程序，觀察y1的相關(guān)系數(shù)，發(fā)現(xiàn)偏相關(guān)系數(shù)是4階截尾的，那么 我們初步識(shí)別為AR(4)模型，進(jìn)行參數(shù)估計(jì)，并觀察殘差相關(guān)系數(shù)。輸入 如下程序： estimate p=4 plot。 run。提交程序，觀察輸出結(jié)果