【正文】 模型13實驗七 分析國際航線月度旅客總數數據19實驗九 傳遞函數模型的建模25太陽黑子年度數據28美國國民收入數據29化工生產過程的產量數據30國際航線月度旅客數據30洛杉磯臭氧每小時讀數的月平均值數據31煤氣爐數據35芝加哥某食品公司大眾食品周銷售數據37牙膏市場占有率周數據39某公司汽車生產數據44加拿大山貓數據44 實驗一 分析太陽黑子數序列一、 實驗目的：了解時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果。五、實驗軟件：SAS系統。 創(chuàng)建名為exp1的SAS數據集，即在窗中輸入下列語句：data exp1。year=intnx(‘year’,’1jan1742’d,_n_1)。cards。 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）。 symbol i=spline v=star h=2 c=green。run。 識別模型，輸入如下程序。 identify var=a1 nlag=24。 提交程序，觀察輸出結果。 估計和診斷。 run。假設通過了白噪聲檢驗，且模型合理，則進行預測。run。run。1 退出SAS系統，關閉計算機。二、 實驗內容：隨機模擬各種AR模型。五、 實驗軟件：SAS系統。 模擬實根情況，模擬過程。
x1=。
n=50。
a=rannor(32565)。
x2=x1。
n=n+1。
end。 觀察輸出的數據，輸入如下程序，并提交程序。
var x。 symbol i=spline c=red。
run。
proc arima data=a。
run。 symbol i=needle width=6。 run。 symbol i=needle width=6。 run。 估計模型參數，并與實際模型的系數進行對比，即輸入如下程序，并提交。 identify var=x nlag=10 。 estimate p=2。 模擬虛根情況，模擬過程。 模擬AR(3)模型，模擬過程。二、 實驗內容：隨機模擬各種MA模型和ARMA模型。五、 實驗軟件：SAS系統。模擬情況，模擬過程。
a1=0。
do n=50 to
x=a+*a1+*a2。
a1=a。
end。 觀察輸出的數據序列，輸入如下程序，并提交程序。symbol i=spline。 run。
proc arima data=a。
run。 symbol1 i=needle c=red。 run。 symbol2 i=needle c=green。 run。 估計模型參數，并與實際模型的系數進行對比，即輸入如下程序，并提交。 identify var=x nlag=10 。 estimate q=2。 模擬情況，模擬過程。 模擬情況，模擬過程。 模擬情況，模擬過程。1 模擬ARMA模型，模擬過程。1 退出SAS系統,關閉計算機. 實驗四 分析化工生產量數據一、 實驗目的：進一步熟悉時間序列建模的基本步驟，掌握用SACF及SPACF定 模型的階的方法。三、 實驗要求：掌握ARMA模型建模的基本步驟，初步掌握數據分析技巧。四、 實驗時間：2小時。六、 實驗步驟 開機進入SAS系統。 input x 。 cards。 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）。 symbol i=spline v=star h=2 c=green。run。 識別模型，輸入如下程序。 identity var=x nlag=12。 提交程序，觀察輸出結果，發(fā)現二階樣本自相關系數和一階的樣本偏相關系數都在2倍的標準差之外，那么我們首先作為一階AR模型估計，輸入如下程序： estimate plot p=1。 提交程序，觀察輸出結果，發(fā)現殘差能通過白噪聲檢驗，但它的二階的樣本偏相關系數比較大，那么我們考慮二階AR模型。 run。且能通過白噪聲檢驗。 記錄參數估計值，寫出模型方程式。 run。 run。1 退出SAS系統，關閉計算機。二、 實驗內容：隨機模擬各種ARIMA模型。五、 實驗軟件：SAS系統。模擬ARIMA(0,1,1)過程，模擬過程。
x1=。
do n=50 to
x=x1+*a1。
a1=a。
end。 觀察輸出的數據序列，輸入如下程序：。symbol i=spline。 run。觀察樣本自相關系數和偏相關系數，輸入輸入如下程序：
proc arima data=a。
run。 symbol1 i=needle c=red。 run。 symbol2 i=needle c=green。 run。 identity var=x(1) nlag=24。 提交程序，觀察樣本自相關系數與樣本偏相關系數，發(fā)現自相關系數1階截尾，故判斷差分后序列為MA(1)模型。run。寫出模型的方程，并與真實模型對比。重復步驟 310即可（但部分程序需要修改，請讀者自己完成）。1創(chuàng)建數據集，在edit窗中輸入如下程序： data c。x2=0。x4=0。x6=0。 x8=0。x10=0。x12=0。 a1=0。a3=0。a5=0。a7=0。a9=0。a11=0。a13=0。 a=rannor(12345)。 x13=x12。x11=x10。x9=x8。 x7=x6。x5=x4。x3=x2。x1=x。a12=a11。a10=a9。a8=a7。a6=a5。a4=a3。a2=a1。 if n0 then output。 run。 symbol i=spline c=red。 run。1 初步識別模型，輸入如下程序： proc arima data=c。 run。1 做季節(jié)差分和一階差分除掉季節(jié)因子和趨勢因子，輸入如下程序： identify var=x(1,12) nlag=36。1 提交程序，觀察樣本自相關系數和樣本偏相關系數，確定模型階數。 run。寫出模型方程式，并與真實模型對比。2 退出SAS系統,關閉計算機. 實驗六 分析美國國民生產總值的季度數據一、實驗目的：進一步學習數據分析技巧，進一步了解ARIMA模型。三、實驗要求：寫出分析報告。五、實驗軟件：SAS系統。建立名為exp3的SAS數據集，輸入如下程序：data exp3。 date=intnx(‘qtr’,’1jan47’d,_n_1)。 cards。 注：Intnx函數按間隔遞增日期，Intnx函數計算某個區(qū)間經過若干區(qū)間間 隔之后的間隔的開始日期或日期時間值，其中開始間隔內的一個日期或 日期時間值給出。 繪序列圖，輸入如下程序： proc gplot data=exp3。 plot gnp*date=1。 觀察圖形，發(fā)現圖形成指數函數上升形式，故做對數變換，輸入如下程序：data lexp。 lgnp=log(gnp)。 繪變換后序列圖，輸入如下程序：proc gplot data=lexp。 plot lgnp*date=2。 提交程序，到graph窗口中觀察變換后的序列圖，可以看出它成直線上升趨勢。 identify var=lgnp nlag=12。 提交程序，觀察樣本自相關系數，可看出有緩慢下降趨勢，結合我們觀察的圖形，我們知道要對序列做差分運算，作一階差分，輸入如下程序：identify var=lgnp(1) nlag=12。 提交程序，觀察樣本自相關系數，可看出樣本自相關系數5步后是截尾的,那么確定為MA(5)模型,進行參數估計,輸入如下程序:estimate q=5 plot。 提交程序，觀察輸出結果，可看出模型通過了白噪聲檢驗，說明模型擬合充分。run。1 進行預測，預測美國未來2年的每季國民生產總值。 run。 set results。 l95=exp(l95)。 forecast=exp(forecast+std*std/2)。 proc print data=results。 where date=’1jan96’d。1 提交程序，并把預測值記錄下來。 實驗七 分析國際航線月度旅客總數數據一、 實驗目的：熟悉運用SAS建立模型的方法，進一步 了解模型的特征。三、實驗要求：寫出分析報告。五、實驗軟件：SAS系統。建立名為exp4的SAS數據集，輸入如下程序：data exp4。 date=intnx(‘month’,’1jan49’d,_n_1)。 cards。 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）。 symbol1 i=spline v=dot c=red。 run。 set exp4。run。 symbol2 i=spline c=green。run。對序列做初步識別，輸入如下程序：proc arima data=lair。 run。run。run。1進行參數估計，輸入如下程序： estimate q=(1)（12）noconstant method=uls plot。12 、提交程序，觀察輸出結果，可看出模型通過了白噪聲檢驗，說明模型擬 合充分，故以此結果為我們所要的結果，依此結果寫出方程式。run。run。 set b。 forecast=exp(forecast+std*std/2)。 u95=exp(u95)。 proc print data=c。1 繪預測和置信限的散點圖，輸入如下程序：symbol1 I=none v=star r=1 c=red。symbol3 I=join v=none l=3 r=1 c=blue。 where data=’1jan59’d。 run。1 退出SAS系統，關閉計算機。二、實驗內容：1955年1月至1972年12月洛杉磯月平均臭氧數據。四、實驗時間：2小時。六、實驗步驟開機進入SAS系統。 input n ozone x1 summer winter。 format date monyy.。 輸入洛杉磯月平均臭氧數據 ；run。 input ozone 。format date monyy.。year=year(date)。summer=(5month11)*(year1965)。 cards。 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）。 symbol1 i=spline v=dot c=red。 run。 初步識別模型，輸入如下程序： identify var=ozone nlag=36。 提交程序，觀察樣本自相關系數和偏相關系數，可看出樣本自相關系數在1步，12步，24步，36步都較大，且具有周期性，偏相關系數在1步最大，我們作季節(jié)差分，輸入如下程序：identify var=ozone(12) nlag=36。 提交程序，觀察樣本自相關系數和偏相關系數，發(fā)現樣本自相關系數在 1步，12步較大,而偏相關系數在1步，12步，24步都較大，且呈現拖尾 現象，我們可確定模型的MA因子為。 run。我們可以做殘差序列圖，觀看殘差的特性，輸入如下程序