【正文】 報告。 實驗六 分析美國國民生產(chǎn)總值的季度數(shù)據(jù)一、實驗?zāi)康模哼M一步學(xué)習(xí)數(shù)據(jù)分析技巧，進一步了解ARIMA模型。run。symbol2 i=needle c=green。run。symbol1 i=needle c=red。run。run。 run。proc arima data=c。 plot x*n/vref=20 1 10 cvref=red lvref=2 haxis=10 to 260 by 10。proc gplot data=c。 end。a1=a。a3=a2。a5=a4。 a7=a6。a9=a8。a11=a10。 a13=a12。x2=x1。x4=x3。x6=x5。x8=x7。x10=x9。x12=x11。 x=x1+x12x13+**a12+*a13。 do n=0 to a12=0。a10=0。 a8=0。a6=0。a4=0。a2=0。x13=0。x11=0。x9=0。x7=0。x5=0。x3=0。 x1=。2 回到graph窗口觀察各種序列圖形的異同。 估計模型參數(shù)，輸入如下程序：2 提交程序，觀察殘差的樣本自相關(guān)系數(shù)和樣本偏相關(guān)系數(shù)，看是否通過 了白噪聲檢驗。1 初步識別模型，輸入如下程序：1 提交程序，觀察樣本自相關(guān)系數(shù)和樣本偏相關(guān)系數(shù)。12 模擬模型， 模擬模型, 即模型。1模擬ARIMA(1,1,0)模型，模擬過程。run。 /*一階差分x(1)*/run。proc arima data=a。plot partcorr*lag=2。proc gplot data=exp1。plot corr*lag=1。 proc gplot data=exp1。 identify var=x nlag=10 minic p=(0:3) q=(0:3) outcov=exp1。run。 symbol i=join v=dot h=1 ci=green cv=red。 run。 output。 x1=x。 a=rannor(32565)。 a1=0。data a。寫出模型的方程，并與真實模型對比。觀察樣本自相關(guān)系數(shù)和偏相關(guān)系數(shù)，輸入輸入如下程序：
提交程序，發(fā)現(xiàn)自相關(guān)系數(shù)成緩慢下降的趨勢，說明要做差分運算，做一階差分運算，輸入如下程序： 提交程序，觀察樣本自相關(guān)系數(shù)與樣本偏相關(guān)系數(shù)，發(fā)現(xiàn)自相關(guān)系數(shù)1階截尾，故判斷差分后序列為MA(1)模型。3. 創(chuàng)建數(shù)據(jù)集，在edit窗中輸入如下程序： 觀察輸出的數(shù)據(jù)序列，輸入如下程序：。五、 實驗步驟1. 開機進入SAS系統(tǒng)。二、 實驗要求：記錄各ARIMA模型的樣本自相關(guān)系數(shù)和偏相關(guān)系數(shù)觀察各序列 圖形的異同，總結(jié)ARIMA模型的樣本自相關(guān)系數(shù)和偏相關(guān)系數(shù) 的特點三、 實驗時間：2小時。 實驗五 模擬ARIMA模型和季節(jié)ARIMA模型一、 實驗?zāi)康模菏煜じ鞣NARIMA模型的樣本自相關(guān)系數(shù)和偏相關(guān)系數(shù)的特點， 區(qū)別各種ARIMA模型的圖形，為理論學(xué)習(xí)提供直觀的印象。run。estimate plot p=1。proc arima data=exp2。 plot x*n/vref=30 50 70 cvref=red lvref=2 。proc gplot data=exp2。proc print。 input x 。data exp2。1 進行預(yù)測，輸入如下程序：1 提交程序，觀察輸出結(jié)果。比較兩個模型的AIC和SBC, 發(fā)現(xiàn)第二個模型的AIC和SBC都比第一個的小，故我們選擇第二個模型為 我們的結(jié)果。輸入如下程序： 提交程序，觀察輸出結(jié)果，發(fā)現(xiàn)殘差樣本自相關(guān)系數(shù)和樣本偏相關(guān)系數(shù)都 在2倍的標(biāo)準(zhǔn)差之內(nèi)。 識別模型，輸入如下程序。 創(chuàng)建名為exp2的SAS數(shù)據(jù)集，即在窗中輸入下列語句： 保存此步驟中的程序，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即可）。五、 實驗軟件：SAS系統(tǒng)。寫出 實驗報告。二、 實驗內(nèi)容：分析化工生產(chǎn)過程的產(chǎn)量序列。quit。plot partcorr*lag=2。proc gplot data=exp1。plot corr*lag=1。 proc gplot data=exp1。 estimate q=2 noint。proc arima data=a。plot x*n /haxis=10 to 260 by 10。proc gplot data=a。 end。 a1=a。 x=a+*a1+*a2。 do n=1to a1=0。重復(fù)步驟37即可(但部分程序需要修改，請讀者自己完成).1 回到graph窗口觀察各種序列圖形的異同。重復(fù)步驟37即可（但部分程序需要修改，請讀者自己完成）。重復(fù)步驟37即可（但部分程序需要修改，請讀者自己完成）。重復(fù)步驟37即可（但部分程序需要修改，請讀者自己完成）。 估計模型參數(shù)，并與實際模型的系數(shù)進行對比，即輸入如下程序，并提交。3 在edit窗中輸入如下程序：觀察輸出的數(shù)據(jù)序列，輸入如下程序，并提交程序。六、 實驗步驟 開機進入SAS系統(tǒng)。三、 實驗要求：記錄各MA模型和ARMA模型的樣本自相關(guān)系數(shù)和偏相關(guān)系數(shù)， 觀察各序列的異同，總結(jié)MA模型和ARMA模型的樣本自相關(guān)系 數(shù)和偏相關(guān)系數(shù)的特點四、 實驗時間：2小時。 實驗三 模擬MA模型和ARMA模型一、 實驗?zāi)康模菏煜じ鞣NMA模型和ARMA模型的樣本自相關(guān)系數(shù)和偏相關(guān)系數(shù) 的特點，為理論學(xué)習(xí)提供直觀的印象。plot partcorr*lag。proc gplot data=exp1。plot corr*lag。 proc gplot data=exp1。 estimate p=2 noint。proc arima data=a。 run。symbol i=spline c=red。 var x。 run。 output。 x2=x1。 a=rannor(32565)。 x2=。data a。 模擬AR(3)模型，模擬過程。 模擬虛根情況，模擬過程。
作為作業(yè)把樣本自相關(guān)系數(shù)和偏相關(guān)系數(shù)記錄下來。 在edit窗中輸入如下程序： 觀察輸出的數(shù)據(jù)，輸入如下程序，并提交程序。六、 實驗步驟開機進入SAS系統(tǒng)。三、 實驗要求：記錄各AR模型的樣本自相關(guān)系數(shù)和偏相關(guān)系數(shù)，觀察各種序列 圖形，總結(jié)AR模型的樣本自相關(guān)系數(shù)和偏相關(guān)系數(shù)的特點四、 實驗時間：2小時。選取擬合模型的規(guī)則:(殘差檢驗為白噪聲)(BIC信息量最小原則),選取顯著有效的參數(shù) 實驗二 模擬AR模型一、 實驗?zāi)康模菏煜じ鞣NAR模型的樣本自相關(guān)系數(shù)和偏相關(guān)系數(shù)的特點，為理 論學(xué)習(xí)提供直觀的印象。proc print data=out。 forecast lead=6 interval=year id=year out=out。 identify var=a1 nlag=24 minic p=(0:5) q=(0:5)。run。 plot a1*year/autovref lvref=2 cframe=yellow cvref=black 。proc gplot data=exp1 。ods html。proc print。format year year4.。1jan174239。year39。input a1 ?？偝绦颍篸ata exp1。 進行預(yù)測，輸入如下程序：1 提交程序，觀察輸出結(jié)果。輸入如下程序： 提交程序，觀察輸出結(jié)果。初步識別序列為AR(2)模型。 識別模型，輸入如下程序。 run。 繪數(shù)據(jù)與時間的關(guān)系圖，初步識別序列，輸入下列程序：ods html。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：分析太陽黑子數(shù)序列。22實驗十 回歸與時序相結(jié)合的建模16實驗八 干預(yù)模型的建模10實驗六 分析美國國民生產(chǎn)總值的季度數(shù)據(jù)3實驗二 模擬AR模型 目 錄實驗一 分析太陽黑子數(shù)序列4實驗三 模擬MA模型和ARMA模型6實驗四 分析化工生產(chǎn)量數(shù)據(jù)8實驗五 模擬ARIMA模型和季節(jié)ARIMA模型13實驗七 分析國際航線月度旅客總數(shù)數(shù)據(jù)19實驗九 傳遞函數(shù)模型的建模25太陽黑子年度數(shù)據(jù)28美國國民收入數(shù)據(jù)29化工生產(chǎn)過程的產(chǎn)量數(shù)據(jù)30國際航線月度旅客數(shù)據(jù)30洛杉磯臭氧每小時讀數(shù)的月平均值數(shù)據(jù)31煤氣爐數(shù)據(jù)35芝加哥某食品公司大眾食品周銷售數(shù)據(jù)37牙膏市場占有率周數(shù)據(jù)39某公司汽車生產(chǎn)數(shù)據(jù)44加拿大山貓數(shù)據(jù)44 實驗一 分析太陽黑子數(shù)序列一、實驗?zāi)康模毫私鈺r間序列分析的基本步驟，熟悉SAS/ETS軟件使用方法。三、實驗要求：了解時間序列分析的基本步驟，注意各種語句的輸出結(jié)果。五、實驗軟件：SAS系統(tǒng)。 創(chuàng)建名為exp1的SAS數(shù)據(jù)集，即在窗中輸入下列語句： 保存此步驟中的程序，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即可）。ods listing close。提交程序，在graph窗口中觀察序列，可以看出此序列是均值平穩(wěn)序列。 提交程序，觀察輸出結(jié)果。 估計和診斷。假設(shè)通過了白噪聲檢驗，且模型合理，則進行預(yù)測。1 退出SAS系統(tǒng)，關(guān)閉計算機。infile D:\。year=intnx(39。,39。d,_n_1)。run。ods listing close。 symbol i=spline v=dot h=1 cv=red ci=green w=1。 title 太陽黑子數(shù)序列。 proc arima data=exp1。 estimate p=3。run。run。二、 實驗內(nèi)容：隨機模擬各種AR模型。五、 實驗軟件：SAS系統(tǒng)。 模擬實根情況，模擬過程。觀察樣本自相關(guān)系數(shù)和偏相關(guān)系數(shù)，輸入輸入如下程序，并提交程序。 估計模型參數(shù)，并與實際模型的系數(shù)進行對比，即輸入如下程序，并提交。重復(fù)步驟37即可（但部分程序需要修改，請讀者自己完成）。重復(fù)步驟37即可(但部分程序需要修改，請讀者自己完成).回到graph窗口觀察各種序列圖形的異同1退出SAS系統(tǒng),關(guān)閉計算機.總程序:title。 x1=。 do i=50 to x=*x1+*x2。 x1=x。 end。proc print data=a。 proc gplot data=a。 plot x*i/haxis=50 to 255 by 20。quit。 identify var=x nlag=10 minic p=(0:3) q=(0:3) outcov=exp1。run。symbol i=needle width=6。run。symbol i=needle width=6。run。二、 實驗內(nèi)容：隨機模擬各種MA模型和ARMA模型。五、 實驗軟件：SAS系統(tǒng)。模擬情況，模擬過程。 觀察樣本自相關(guān)系數(shù)和偏相關(guān)系數(shù)，輸入輸入如下程序，并提交程序。 模擬情況，模擬過程。 模擬情況，模擬過程。 模擬情況，模擬過程。 模擬ARMA模型，模擬過程。1 退出SAS系統(tǒng),關(guān)閉計算機.總程序:data a。 a2=0。 a=rannor(32565)。 a2=a1。 output。 run。symbol i=spline h=1 w=1。run。 identify var=x nlag=10 minic p=(0:3) q=(0:3) outcov=exp1。run。symbol1 i=needle c=red。run。symbol2 i=needle c=green。run。 實驗四 分析化工生產(chǎn)量數(shù)據(jù)一、 實驗?zāi)康模哼M一步熟悉時間序列建模的基本步驟，掌握用SAC