【正文】 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 *** 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對觀察值） 第一個為輸入煤氣速度（立方米/秒），第二個為排出煤氣的co2的比例。 2提交程序，觀察預測結(jié)果。 2進行預測，輸入如下程序：forecast lead=6 。 run。 run。proc arima data=d。 y31=lag(y3)。 set exp7。 run。 proc plot data=c。 merger exp7 a。 run。 下面我們來看看殘差對預測值,y2,y3的關(guān)系圖。 run。 run。我們把殘差用ARMA 模型擬合，輸入如下程序： identify var=y1 crosscorr=(y2 y3 y4)。 run。1 提交程序，觀察輸出結(jié)果，可看到y(tǒng)4的系數(shù)接近于零，我們除掉這一 項再做回歸，并觀察殘差的相關(guān)系數(shù)，輸入如下程序： identify var=y1 crosscorr=(y2 y3)。 estimate input=(y2 y3 y4)。1 做純回歸分析，輸入如下程序： proc arima data=exp7。 run。1 繪y1對yyy4的散點圖，輸入如下程序： proc plot data=exp7。 run。symbol3 i=spline c=green。 然后可以實驗其他一些模型，最后根據(jù)AIC和BIC準則，我們最后選定 模型為: 1 下面我們開始加入回歸項，首先我們繪四個序列的圖形。 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 我們初步識別為AR(4)模型，進行參數(shù)估計，并觀察殘差相關(guān)系數(shù)。 identifu var=y1 nlag=15。提交程序，仔細觀察序列圖形。 plot y1*date=1。繪序列圖，輸入如下程序： proc gplot data=exp7。 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）。 cards。 date=intnx(‘week’,’14sep91’d,_n_1)。建立名為exp7的SAS數(shù)據(jù)集，輸入如下程序：data exp7。五、實驗軟件：SAS系統(tǒng)。三、實驗要求：寫出實驗報告，總結(jié)回歸與時序相結(jié)合的建模的一般步驟。 實驗十 回歸與時序相結(jié)合的建模一、 實驗目的：熟悉回歸與時序相結(jié)合的建模方法。 提交程序，觀察預測結(jié)果。1進行預測，輸入如下程序：forecast lead=6 。 run。 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。 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。1觀察預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。 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。 identify var=x nlag=12。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 要做差分運算。 identifu var=y crosscorr=(x) nlag=12。提交程序，仔細觀察兩序列圖形，看兩者有何聯(lián)系。 plot x*t=1 y*t=2。 symbol1 i=spline c=red。 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）。 cards。 input x y。六、實驗步驟開機進入SAS系統(tǒng)。四、實驗時間：2小時。二、實驗內(nèi)容：煤氣爐數(shù)據(jù)。 1退出SAS系統(tǒng)，關(guān)閉計算機。 注：這樣的預測是x1,summer,winter已知的預測。思考為什么不對summer和 winter進行差分？ 1進行預測值，輸入如下程序： forecast lead=12 id=date interval=month。 run。 identify var=ozone(12) crosscorr=(x1(12) summer winter) noprint。1提交程序，觀察輸出結(jié)果，發(fā)現(xiàn)模型的標準差,AIC,SBC都變小了很多， 且x1的影響顯著。 estimate q=(1)(12) input(x1) noconstant method=ml itprint plot。 1我們考察修建高速公路后，是否對臭氧有顯著性影響，輸入如下程序： proc arima data=exp5。run。symbol I=spline v=dot c=red。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。進行參數(shù)估計，輸入如下程序： estimate q=(1)（12）noconstant method=uls plot。run。 run。提交程序，觀察圖形，發(fā)現(xiàn)圖形有很強的季節(jié)性和緩慢下降的趨勢。 plot ozone*date=1。繪序列圖，輸入如下程序： proc gplot data=exp5。 只輸入 ozone 一欄的數(shù)據(jù) ； run。winter=(year1965)summer。x1=year=1960。month=month(date)。 date=intnx(‘month’,’1jan55’d,_n_1)?；蛘咻斎肴缦鲁绦颍? data exp5。 cards。 date=intnx(‘month’,’1jan55’d,_n_1)。建立名為exp5的SAS數(shù)據(jù)集，輸入如下程序：data exp5。五、實驗軟件：SAS系統(tǒng)。三、實驗要求：寫出實驗報告，掌握干預模型的建模方法。 實驗八 干預模型的建模一、 實驗目的：掌握干預模型的分析方法，進一步熟悉ARIMA過程的使用方法。 1 提交程序，觀察圖形。plot air*date=1 forecast*date=2 l95*date=3 u95*date=3/ overlay haxis=’1jan59’d to ‘1jan62’d by year。proc gplot data=c。symbol2 I=join v=plus r=1 c=green。 run。 run。 l95=exp(l95)。 air=exp(lair)。 1提交程序，仔細觀察預測的結(jié)果有什么規(guī)律，思考為什么有這樣的規(guī)律？1變換預測值，以獲取原度量下的預測值，輸入如下程序： data c。proc print data=b。1進