【正文】 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 *** 218 *** 219 *** 220 *** 221 *** 222 *** 223 *** 224 *** 225 *** 226 *** 227 *** 228 *** 煤氣爐數(shù)據(jù)（每9秒取樣，共296對(duì)觀察值） 第一個(gè)為輸入煤氣速度（立方米/秒），第二個(gè)為排出煤氣的co2的比例。forecast lead=6 。 estimate p=(1,2,4) q=(2,3) input=(y2 y21 y3 y31) plot。proc arima data=d。 y31=lag(y3)。 set exp7。run。*39。*39。*39。proc gplot data=b。merge exp7 a。run。run。identify var=y1 crosscorr=(y2 y3)。estimate p=4 q=3 input=(y2 y3 y4) plot。run。identify var=y1 crosscorr=(y2 y3)。 estimate input=(y2 y3 y4)。proc arima data=exp7。*39。*39。*39。proc plot data=exp7。plot y1*date=3 y2*date=3 y3*date=3 y4*date=3。proc gplot data=exp7。estimate p=(1,4) plot。 identify var=y1 nlag=15 minic。run。 symbol1 i=spline c=red。run。d,_n_1)。,39。 date=intnx(39。 infile C:\Documents and Settings\Administrator\桌面\。 2退出SAS系統(tǒng)，關(guān)閉計(jì)算機(jī)。輸入如下程序：2 提交程序，觀察圖形，可看出殘差對(duì)y2,y3還不是十分充分，我們加入y2,y3的滯后一階，看結(jié)果有什么變化，輸入如下程序： 2提交程序，觀察輸出結(jié)果，并與原來(lái)結(jié)果比較，看是否有進(jìn)步。我們把殘差用ARMA 模型擬合，輸入如下程序：1 提交程序，觀察輸出結(jié)果,可以看出模型擬合比較充分，且yMA1, AR1,3的系數(shù)接近如零，除掉這幾項(xiàng)，再觀察，輸入如下程序：1 提交程序，觀察輸出結(jié)果,可以看出模型擬合比較充分，且殘差的標(biāo)準(zhǔn) 誤和前一模型沒(méi)有多大變化，且AIC 和BIC也比前一模型小，故我們 就選擇這一模型，把這一結(jié)果記錄下來(lái)。1 繪y1對(duì)yyy4的散點(diǎn)圖，輸入如下程序：1 提交程序，觀察他們的相關(guān)性，可看出y1和y2負(fù)相關(guān)，y1和y3正相 關(guān)，而y1和y4好象不相關(guān)。 然后可以實(shí)驗(yàn)其他一些模型，最后根據(jù)AIC和BIC準(zhǔn)則，我們最后選定 模型為: 1 下面我們開(kāi)始加入回歸項(xiàng)，首先我們繪四個(gè)序列的圖形。初步識(shí)別模型，輸入如下程序：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)。首先只分析銷(xiāo)售額的數(shù)據(jù)，不加回歸項(xiàng)。六、實(shí)驗(yàn)步驟開(kāi)機(jī)進(jìn)入SAS系統(tǒng)。四、實(shí)驗(yàn)時(shí)間：2小時(shí)。二、實(shí)驗(yàn)內(nèi)容：芝加哥某食品公司大眾食品周銷(xiāo)售數(shù)據(jù)。run。run。run。run。run。run。proc arima data=exp6。identify var=y crosscorr=(x) nlag=12。run。 symbol2 i=spline c=green。proc gplot data=exp6。 t=_n_。 infile C:\Documents and Settings\Administrator\桌面\。 2退出SAS系統(tǒng)，關(guān)閉計(jì)算機(jī)。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：1 提交程序，觀察輸出結(jié)果，可看到很小，且模型通過(guò)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：1 提交程序，觀察輸出結(jié)果，可看到模型通過(guò)了白噪聲檢驗(yàn)提交程序，說(shuō)明模型擬合充分,請(qǐng)寫(xiě)出方程式。對(duì)擬合AR(3)模型，看是否充分，輸入如下程序：1提交程序，觀察輸出結(jié)果，可看到模型通過(guò)了白噪聲檢驗(yàn)，說(shuō)明擬合效果不錯(cuò)，把擬合的方程式寫(xiě)出來(lái)。先觀察和的相關(guān)情況，看是否要做差分，輸入如下程序：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。建立名為exp6的SAS數(shù)據(jù)集，輸入如下程序： 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(xiě) 完提問(wèn)后就可以把這段程序保存下來(lái)）。五、實(shí)驗(yàn)軟件：SAS系統(tǒng)。三、實(shí)驗(yàn)要求：寫(xiě)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。 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。run。symbol I=spline v=dot c=red。run。run。 identify var=ozone(12) crosscorr=(x1(12) summer winter) noprint。run。 identify var=ozone(12) crosscorr=(x1(12)) noprint。run。symbol I=spline v=dot c=red。run。run。run。run。proc arima data=exp5。 plot ozone*date=1。proc gplot data=exp5。 format date monyy.。1jan5539。month39。 input n ozone x1 summer winter。data exp5。 1提交程序，觀察預(yù)測(cè)值。思考為什么要對(duì)x1進(jìn)行季節(jié)差分？1我們?cè)賮?lái)考察汽車(chē)裝上尾氣過(guò)濾器，是否對(duì)臭氧有顯著性影響，輸入如 下程序：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(guò)了白噪聲檢驗(yàn)，并且x1,summer的影響顯著,而winter 的影響不顯著。我們可以做殘差序列圖，觀看殘差的特性，輸入如下程序：1進(jìn)行預(yù)測(cè)，輸入如下程序：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。 初步識(shí)別模型，輸入如下程序： 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： 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。 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(xiě) 完提問(wèn)后就可以把這段程序保存下來(lái)）。 cards。summer=(5month11)*(year1965)。year=year(date)。format date monyy.。 input ozone 。六、實(shí)驗(yàn)步驟開(kāi)機(jī)進(jìn)入SAS系統(tǒng)。四、實(shí)驗(yàn)時(shí)間：2小時(shí)。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)。run。1mar6139。1jan5939。d。where data=39。symbol3 I=join v=none l=3 r=1 c=blue。symbol1 I=none v=star r=1 c=red。proc print data=c。 u95=exp(u95)。 forecast=exp(forecast+std*std/2)。 set b。run。run。run。run。run。run。proc arima data=lair。 plot lair*date=2。proc gplot data=lair。 lair=log(air)。data lair。plot air*date=1。proc gplot data=exp4。 format date monyy.。1jan4939。month39。 input air。data exp4。1進(jìn)行預(yù)測(cè)，輸入如下程序： 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：1 繪預(yù)測(cè)和置信限的散點(diǎn)圖，輸入如下程序：1 提交程序，觀察圖形。對(duì)序列做初步識(shí)別，輸入如下程序： 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： 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：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。六、實(shí)驗(yàn)步驟開(kāi)機(jī)進(jìn)入SAS系統(tǒng)。四、實(shí)驗(yàn)時(shí)間：2小時(shí)。二、實(shí)驗(yàn)內(nèi)容：1949年1月至1960年12月國(guó)際航線月度旅客總數(shù)數(shù)據(jù)。quit。symbol3 i=spline ci=black l=2。symbol1 v=dot cv=red i=none h=1 w=1。proc gplot data=results2。d。where date=39。proc print data=results2。keep date gnp l95 forecast u95。u95=exp(u95)。gnp=exp(lgnp)。data results2。forecast lead=6 interval=qtr id=date out=results。estimate q=(1,2,5) plot。estimate q=5。 identify var=lgnp(1) nlag=12 minic p=(0:3) q=(0:3)。run。 symbol2 i=spline c=red w=2。run。 set exp3。run。 symbol i=join w=2 ci=green。run。,1jan47d,_n_1)。 date=intnx(39。 infile C:\Documents and Settings\Administrator\桌面\。1 退出SAS系統(tǒng)，關(guān)閉計(jì)算機(jī)。1 進(jìn)行預(yù)測(cè)，預(yù)測(cè)美國(guó)未來(lái)2年的每季國(guó)民生產(chǎn)總值。對(duì)序列做初步識(shí)別，輸入如下程序： 提交程序，觀察樣本自相關(guān)系數(shù)，可看出有緩慢下降趨勢(shì)，結(jié)合我們觀察的圖形，我們知道要對(duì)序列做差分運(yùn)算，作一階差分，輸入如下程序： 提交程序，觀察樣本自相關(guān)系數(shù)，可看出樣本自相關(guān)系數(shù)5步后是截尾的,那么確定為MA(5)模型,進(jìn)行參數(shù)估計(jì),輸入如下程序: 提交程序，觀察輸出結(jié)果，可看出模型通過(guò)了白噪聲檢驗(yàn)，說(shuō)明模型擬合充分。建立名為exp3的SAS數(shù)據(jù)集，輸入如下程序：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(xiě) 完提問(wèn)后就可以把這段程序保存下來(lái)）。五、實(shí)驗(yàn)軟件：SAS系統(tǒng)。三、實(shí)驗(yàn)要求：寫(xiě)出分析