基于SAS软件的时间序列实验的代码
时间序列分析(SAS)第3章
结果分析：上图是数据对应的时序图，从图上曲线分析来看，数据并没有周期性或者趋向性规律，因而可以初步判断这是平稳数列。
proc arima data=ex3_1;结果分析：本过程中，我们建立了8阶自回归分析模型，图上依次是变量的描述性统计量、样本自相关图、样本逆相关图和样本偏自相关图。
由于本次实验探究的是平稳序列，因而样本逆相关图先不作分析。
结果分析：从上图可以看出，在众多模型中，MA（4）模型的BIC信息量是最小的，因而我们接下来会采用结果分析：结果分析: 结果分析：结果分析：该图为预测的图像，其中，红色线段表示预测出来的数列，绿色的两条线段分别表示95%的置信下限和95%的置信上限，而黑色的星号标识则是对应的样本数据值。
从图来分析，我们可以看出，黑色的样本数据值跟我们预测出来的线段非常的吻合，因而模型建立得很不错。
再结合上一步骤的参数结果，二、课后习题（老师布置的习题部分）17.data lianxi3_17;input x@@;time=_n_;cards;126.4 82.4 78.1 51.1 90.9 76.2 104.5 87.4110.5 25 69.3 53.5 39.8 63.6 46.7 72.979.6 83.6 80.7 60.3 79 74.4 49.6 54.771.8 49.1 103.9 51.6 82.4 83.6 77.8 79.389.6 85.5 58 120.7 110.5 65.4 39.9 40.188.7 71.4 83 55.9 89.9 84.8 105.2 113.7124.7 114.5 115.6 102.4 101.4 89.8 71.5 70.998.3 55.5 66.1 78.4 120.5 97 110;proc gplot data=lianxi3_17;plot x*time=1;symbol1c=red I=join v=star;run;结果分析：上图是数据对应的时序图，从图上曲线分析来看，数据并没有周期性或者趋向性规律，因而可以初结果分析：本过程中，我们建立了8阶自回归分析模型，图上依次是变量的描述性统计量、样本自相关图、样本逆相关图和样本偏自相关图。
sas绘制时序图
SAS软件绘制时序图—平稳性的检验方法之一PROC GPLOT过程proc gplot过程用于作出高分辨率的散点图或曲线图。
其主要语句形式为：proc gplot options;plot yvariable*xvariable/ options;symbol options;命令说明：（1）proc gplot options;此语句中的options主要指定SAS数据集的名称。
（2）plot y variable*x variable/options;此语句画出y变量与x变量的（y,x）图,options主要选项有：Cframe:给定图的底色，如黄色（yellow）、红色（red）、蓝色（blue）、灰色（gray）、浅灰色（ligr）等。
默认的颜色为白色。
Overlay:若要将两个以上的图形画在同一坐标系中，可用”overlay”选项。
（3）symbol options;此语句定义绘图的符号、颜色、是否连线以及线条的粗细等等。
Options主要选项有：c为点或线的颜色；v为定义点的表示符号，可以取dot(大点)，point(小点)，plus(加号)，star（星号），circle（圆圈），square（方形），triangle（三角），diamond（菱形）等；i为确定散点之间连线的形状，可以取join(直线)，spline（光滑线），needle（向水平轴的垂线）；w=n确定线的粗细。
n为线的粗细的号。
n越大，线条越粗。
默认时为1。
L=n，n为线型的序号。
1表示实线，2表示虚线，等等。
例如：下列数据为y1与y2变量的取值，绘制其时序图（time=intnx('month','01jul2004'd,_n_-1);）。
12.85 15.2113.56 14.2315.36 17.3614.53 18.2513.50 15.33解答：data example1;input y1 y2;time=intnx('month','01jul2004'd,_n_-1);format time date.;cards;12.85 15.2113.56 14.2315.36 17.3614.53 18.2513.50 15.33;proc gplot data=example1;plot y1*time=1 y2*time=2/overlay;symbol1c=black v=star i=join;symbol2c=red v=circle i=spline;run;y1191817161514131201JU L0401A U G0401S E P0401O C T0401N O V0401D E C04t i m eplot y1*time y2*time/overlay;symbol1c=black v=star i=join w=2;symbol2c=red v=circle i=spline w=3;run;y1191817161514131201JU L0401A U G0401S E P0401O C T0401N O V0401D E C04t i m eproc gplot data=example1;plot y1*time y2*time/overlay cframe=yellow;symbol1c=black v=star i=join w=2;symbol2c=red v=circle i=spline w=3;run;y1191817161514131201JU L0401A U G0401S E P0401O C T0401N O V0401D E C04t i m eplot y1*time y2*time/overlay cframe=yellow;symbol1c=black v=star i=join l=1w=2;symbol2c=red v=circle i=spline l=2w=3;run;y1191817161514131201JU L0401A U G0401S E P0401O C T0401N O V0401D E C04t i m e。
基于SAS软件的时间序列实验的代码
基于SAS软件的时间序列实验的代码实验指南目录实验一分析太阳黑子数序列 (3)实验二模拟AR模型 (4)实验三模拟MA模型和ARMA模型 (6)实验四分析化工生产量数据 (8)实验五模拟ARIMA模型和季节ARIMA模型 (10)实验六分析美国国民生产总值的季度数据 (13)实验七分析国际航线月度旅客总数数据 (16)实验八干预模型的建模 (19)实验九传递函数模型的建模 (22)实验十回来与时序相结合的建模 (25)太阳黑子年度数据 (28)美国国民收入数据 (29)化工生产过程的产量数据 (30)国际航线月度旅客数据 (30)洛杉矶臭氧每小时读数的月平均值数据 (31)煤气炉数据 (35)芝加哥某食品公司大众食品周销售数据 (37)牙膏市场占有率周数据 (39)某公司汽车生产数据 (44)加拿大山猫数据 (44)实验一分析太阳黑子数序列实验目的：了解时刻序列分析的差不多步骤，熟悉SAS/ETS软件使用方法。
二、实验内容：分析太阳黑子数序列。
三、实验要求：了解时刻序列分析的差不多步骤，注意各种语句的输出结果。
四、实验时刻：2小时。
五、实验软件：SAS系统。
六、实验步骤1、开机进入SAS系统。
创建名为exp1的SAS数据集，即在窗中输入下列语句：data exp1;input a1 @@;year=intnx(‘year’,’1jan1742’d,_n_-1);format year year4.;cards;输入太阳黑子数序列(见附表)run;储存此步骤中的程序，供以后分析使用（只需按工具条上的储存按钮然后填写完提咨询后就能够把这段程序储存下来即可）。
绘数据与时刻的关系图，初步识别序列，输入下列程序：proc gplot data=exp1;symbol i=spline v=star h=2 c=green;plot a1*year;run;提交程序，在graph窗口中观看序列，能够看出此序列是均值平稳序列。
ARIMA预测原理以及SAS实现代码
█ARIMA定义ARIMA的完整写法为ARIMA(p,d,q) ►其中p为自回归系数，代表数据呈现周期性波动►d为差分次数，代表数据差分几次才能达到平稳序列►q为移动平均阶数，代表数据为平稳序列，可以用移动平均来处理。
█平稳性检测方法·►方法一：时序图序列始终在一个常数值附近随机波动，且波动范围有界，且没有明显的趋势性或周期性，所以可认为是平稳序列。
下图明显不是一个平稳序列proc gplot data=gdp;plot gdp*year=1 ;=join v v=star;=red i i=joinsymbol c=redrun;·►方法二：自相关图自相关系数会很快衰减向0，所以可认为是平稳序列。
proc arima data= gdp;identify var=gdp=gdp stationaritystationarity =(adf=3)) nlagnlag=12; run;·►ADF单位根检验（精确判断）三个检验中只要有一个Pr<Rho小于0.05即可认定为平稳序列，主要是stationarity =(adf=3) 起作用起作用proc arima data= gdp;) nlagnlag=12;=gdp stationaritystationarity =(adf=3)identify var=gdprun;█白噪声检验白噪声检验Pr>卡方<0.05即可认定为通过白噪声检验。
proc arima data= gdp;) nlagnlag=12;stationarity =(adf=3)identify var=gdp=gdp stationarityrun;█非平稳序列转换为平稳序列方法一：将数据取对数。
方法一：将数据取对数。
函数 方法二：对数据取差分dif函数data gdp_log;set gdp;loggdp=log(gdp);cfloggdp=dif(loggdp);run;/**对数数据散点图**/proc gplot;plot loggdp*year=1 ;symbol c=black=join v v=star;=black i i=joinrun;/* 一阶差分对数数据散点图*/ proc gplot;plot cfloggdp*year=1;=dot i i=join; symbol c=green=green v v=dotrun;从上图中可以看出，一阶差分后序列已经变成平稳的了，因此，数列需要做一阶差分█转换完毕后再验证下面代码中的（1）就代表1阶差分，adf=3则代表平稳性检验0-3，/* 一阶差分对数数据的自相关图、偏自相关图、纯随机性检验、单位根检验 */ proc arima data=gdp_log;identify var=loggdp(1) ) stationaritynlag=12;stationarity =(adf=3) ) nlagrun;用Q LB 统计量作的c 2检验结果表明：对数差分后的GDP 序列的Q LB 统计量的P 值为0.0045（<0.05），故序列为非白噪声序列。
SAS时序分析程序说明
– 单位根检验（df,adf或pp检验，其中df检验等于adf(1)检验）
• Crosscorr=(一个或多个输入变量名)
– 指定输入变量（可以是原பைடு நூலகம்列也可以是差分序列），单个输入变 量可以不加括号，多个输入变量要加括号
• Outcov=文件名
– 将自协方差，自相关系数，偏自相关系数和逆自相关系数写入该 文件集中
Estimate p=2 input=(1 $(1)/(1) gdp);
– 对cpi的一阶差分序列和gdp的一阶差分序列建立如 上回归模型，同时对残差序列拟合AR(2)模型
cpit
11B 1 1B
gdpt
1
t 1B
2
B2
问题
• 要拟合如下模型如何写命令：
yt 1xt 2 xt1 2 xt2 t
例句
Identify var=cpi(1) crosscorr=gdp;
– 对cpi的一阶差分序列进行识别 – 以gdp作为输入变量，cpi的一阶差分序列作为响应变量，对这两个变量之
间的互相关关系进行识别
Identify var=cpi(1) crosscorr=gdp(1);
– 对cpi的一阶差分序列进行识别（输出滞后12阶的相关信息） – 以gdp的一阶差分序列作为输入变量，cpi的一阶差分序列作为响应变量，
Method的类型
• METHOD=ML specifies maximum likelihood estimates
• METHOD=ULS specifies unconditional least-squares estimates
• METHOD=YW specifies Yule-Walker estimates • METHOD=ITYW specifies iterative Yule-Walker
sas常用代码
1、导入数据2、提取年份（在年份不为4位数时，需要这一步）Data 某表1；set某表；Year=year（date）;Run;注：如果需要提取一般数据，则采用如下数据：Data 某表1，set某表；Year=year(date,2,4);表示从第二个字符起，取4个字符Run3、排序（按照代码和年对ROA里的数据进行排序）【这一步是在合并具有相同变量的表时必须要做的。
】PROC SORT DATA=ROA;BY CODE YEAR;RUN;4、合并Data hebing;Merge ROA1 ASSEST1;by code year;run;注：hebing中包含了所有的ROA1和 ASSEST1数据（无if）有取舍合并Data hebing;merge ROA1 (in=a) ASSEST1 (in=b);by code year;if a=1 and b=1;Run;5、删除不需要的数据Data hebing1;set hebing;if ROA<0 then delete;run;Data hebing1;set hebing;if roa=.or roa=" " then delete;(删除缺失值)（if ros+roa+roe=. then delete;同时删除ros roa roe 中的缺失值）run;6、取自然对数和删除变量Data hebing2;set hebing1;Inassest=log(assest);InROA=log(1+roa);Run；7、对连续变量的缩尾处理winsorize(消除极端值影响)只有连续变量才能消除极端值影响Data temp1;set hebing2; d=1;run;proc means noprint;var inassest inroa; by d;output out=tmp2(drop=_freq_ _type_) p1=x1-x2 p99=y1-y2;Data hebing3;merge temp1 tmp2; by d;array z{1:2} inassest inroa;array x{1:2} x1-x2; array y{1:2} y1-y2;do i=1 to 2;if z[i]<x[i] and z[i]~=. then z[i]=x[i];if z[i]>y[i] then z[i]=y[i];end; drop i d x1-x2 y1-y2;run;8、年份和行业的控制data hebing3; set hebing2;if year=2001then year01=1; else year01=0;if year=2002then year02=1; else year02=0;if year=2003then year03=1; else year03=0;if year=2004then year04=1; else year04=0;if year=2005then year05=1; else year05=0;if year=2006then year06=1; else year06=0;if year=2007then year07=1; else year07=0;if year=2008then year08=1; else year08=0;if year=2009then year09=1; else year09=0;if year=2010then year10=1; else year10=0;if year=2011then year11=1; else year11=0;if year=2012then year12=1; else year12=0;if year=2013then year13=1; else year13=0;if indus="B"then induB=1; else induB=0;if indus="C"then induC=1; else induC=0;if indus="D"then induD=1; else induD=0;if indus="E"then induE=1; else induE=0;if indus="F"then induF=1; else induF=0;if indus="G"then induG=1; else induG=0;if indus="H"then induH=1; else induH=0;if indus="J"then induJ=1; else induJ=0;if indus="K"then induK=1; else induK=0;if indus="L"then induL=1; else induL=0;if indus="M"then induM=1; else induM=0;run;9、描述性统计（针对所有变量）proc means data=hebing3 n（数量）mean（均值）std（标准偏差）min q1median q3max maxdec=4（最多保留4位小数）;var lnfee lnnum ;run;9、变量之间的相关性分析proc corr data=hebing3 pearson spearman;var lnfee lnnum ;run;10、回归proc reg data=hebing3;model lnfee=lnnum;run;1、以e为底的自然对数是LOG(x)；2、以2为底的对数是LOG2(x)；3、以10为底的对数是LOG10(x)。
SAS-时间序列分析1
1 -0.769468778 0.448845319 -0.334665851 0.229079378 -0.217982096 0.25570847 -0.269632371 0.262451547 0.448845319 0.448845319 0.448845319 0.448845319
xt 1 xt 1 t
87 88 89 90 91 92 93 94 95 96 97 98 99 100
0.078099327 -0.201128107 0.636344859 0.145053721 -1.792626316 1.217088495 -0.414520396 0.537497547 -0.030223842 -2.096745786 2.057030262 -0.732574469 -0.410366351 0.508689501
-2
0.594442829
-3 0.107939746
-4 0.760516205 -5
1.048501639 -0.98318879 0.013741101
0 5 10
33 34 35 36 37 38 39 40
-1.084587106 0.698912998 -0.181458343 0.858879538 -2.411483865 1.860170277
WN (0,1)
30
35
40
45
பைடு நூலகம்
50
55
60
65
70
75
80
85
时间t
x0 φ1
0 -0.8
t 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17
时间序列分析(SAS)第二章
plotco2*time;
symbolc=blackv=stari=join;
procarimadata=example1;
identifyvar=co2;
run;
结果：
时序图：
自相关图：
白噪声检验结果：
结果分析：
1.从时序图可以看出，所分析序列以年为周期呈现出规则的周期性，还有明显的逐年递增的趋势，初步判断为非平稳。
程序：
dataexample2;
inputyu@@;
time=intnx('month','01jan1945'd,_n_-1);
formattimedate.;
cards;
69.3 80.0 40.9 74.9 84.6 101.1 225.0 95.3 100.6 48.3 144.5 128.3
3.检验结果显示，在各阶延迟下统计量的P值都大于0.05，接受原假设，所以我们可以以很大的把握断定1945年——1950年费城月度降雨量序列属于非纯随机
习题5
程序：
dataexample3;
inputxsl@@;
time=intnx('month','01jan2000'd,_n_-1);
formattimedate.;
佛山科学技术学院
应用时间序列分析实验报告
实验名称第二章时间序列的预处理
专业班级10数学与应用数学姓名林敏杰学号2010214222
一、上机练习
绘制时序图
dataexample2_1;
inputprice1 price2;
time=intnx('month','01jul2004'd, _n_-1);
SAS操作—时间序列
自相关和偏相关都截尾怎么办？
拖尾与截尾的用处
data ar; i=0; seed=0; x=0; do while (i<200); i=i+1; x=0.5*x+normal(seed); output; drop seed; end; run; proc print; run;
; i=0; seed=0; x=0; do while (i<200); i=i+1; x=0.5*x+normal(seed); output; drop seed;
/*自动生成序号变量t*/
19 23 21 13 21 24 27 20 20 18 19 15 22 25 27 22
; Proc gplot data=a; Plot x*t; proc print a; proc anova; class a; model x=a; means a/hovtest; run;
run; proc gplot data=li; plot y*t; symbol c=red i=jion v=star; proc arima data=li; identify var=y nlag=18 minic p=(0:5) q=(0:5); estimate p=2; forecast lead=5 id=t; 计算最优BIC 对数据集li绘图 以y为横坐标、t为纵坐标作图 曲线红色，折线连接，星形点 对数据集temp进行arima分析
/*绘图—按文件a作散点图*/ /*纵坐标为x，横坐标为t*/
2、 data d0; Input x @@; t=_n_; cards; 58 86 92 95 93 97 90 72 67 39 51 63 77 57 57 59 45 45 80 38 36 39 85 94 ; proc print; var t x; proc gplot data=d0; plot x*t; symbol c=red i=join v=star; run; data d1; do a=1 to 4; do i=1 to 6; Input y @@; output; end; end; cards; 58 86 92 95 93 97 90 72 67 39 51 63 77 57 57 59 45 45 80 38 36 39 85 94 ; proc anova; class a; model y=a; means a/hovtest; proc print; var a y; run;
SAS试验代码
实验一、掌握SAS程序语言的基本知识一、目的熟悉和掌握用SAS程序设计语言编写简单程序及如何构建逻辑库，具体包括：SAS系统操作界面，文件管理，数据集的导入\导出，数据的编辑与整理，数据的写法，如何读取文件，时间和日期写法，LIBNAME,DATA,PROC PRINT, INPUT, INFILE, 循环语句，SET, MERGE，KEEP, DROP。
内容：1、应用DATA步创建逻辑库、数据集、并向数据集中送入数据。
Data set ONEID SEX DOB SALARY1 M 10/21/46 700002 F 11/01/55 680007 M 01/27/59 47000Data set TWOID SEX DOB SALARY TAXRATE WITHHOLD3 F 01/01/33 78000 0.36 230005 M 03/07/29 37000 0.25 9000Data set THEREID SEX DOB SALARY HEIGHT WEIGHT4 M 10/23/49 65000 68 1586 F 07/04/65 55000 74 2022.写一个程序得到如下输出：Data set ALLID DOB SALARY1 10/21/46 700002 11/01/55 680003 01/01/33 780004 10/23/49 650005 03/07/29 370006 07/04/65 550007 01/27/59 470003. 使用如上数据，写一个程序创建一个新的数据集（SALARY大于50000的所有人）。
实验二、SAS过程及简单的统计分析一、目的熟悉SAS过程步的基本命令语句，具体包括：VAR语句， MODEL语句,BY 语句,OUTPUT语句,FREQY语句和WEIGHT语句,ID语句,WHERE语句,LABEL语句及FORMAT语句。
掌握用SAS的MEANS,UNIVARIATE和FREQ过程进行简单的统计量计算。
SAS 时间序列分析
试验六时间序列分析一、实验目的：学习时间序列数据分析技巧，了解ARIMA模型。
二、实验内容：47年1季度到96年3季度美国国民生产总值的季度数据。
三、实验要求：写出分析报告。
四、实验软件：SAS系统。
一般实验流程：1）平稳性检验方法：时序图、自相关系数和自相关图检验、单位根检验2）模型识别方法：利用自相关系数、偏相关系数图进行模型识别；计算扩展的样本自相关函数并利用其估计值进行模型识别；利用最小信息准则进行模型识别；利用典型相关系数平方估计值进行模型识别；3）模型的参数估计及检验检验拟合性、参数估计显著性、残差项无自相关性（残差项白噪声检验）4）模型的预测例题实验步骤：1）建立数据集data exp3;input gnp@@;date=intnx('qtr','1jan47'd,_n_-1);format date yyqc.;cards;227.8 231.7 236.1 246.3 252.6 259.9 266.8 268.1 263.0 259.5 261.2 258.9 269.6 279.3 296.9 308.4 323.2 331.1337.9 342.3 345.3 345.9 351.7 364.2 371.0 374.5 373.7368.7 368.4 368.7 373.4 381.9 394.8 403.1 411.4 417.8420.5 426.0 430.8 439.2 448.1 450.1 457.2 451.7 444.4448.6 461.8 475.0 499.0 512.0 512.5 516.9 530.3 529.2532.2 527.3 531.8 542.4 553.2 566.3 579.0 586.9594.1597.7 606.8 615.3 628.2 637.5 654.5 663.4 674.3 679.9701.2 713.9 730.4 752.6 775.6 785.2 798.6 812.5 822.2828.2 844.7 861.2 886.5 910.8 926.0 943.6 966.3 979.9999.3 1008.0 1020.3 1035.7 1053.8 1058.4 1104.2 1124.9 1144.41158.8 1198.5 1231.8 1256.7 1297.0 1347.9 1379.4 1404.4 1449.71463.9 1496.8 1526.4 1563.2 1571.3 1608.3 1670.6 1725.3 1783.51814.0 1847.9 1899.0 1954.5 2026.4 2088.7 2120.4 2166.8 2293.72356.2 2437.0 2491.4 2552.9 2629.7 2687.5 2761.7 2756.1 2818.82941.5 3076.6 3105.4 3197.7 3222.8 3221.0 3270.3 3287.8 3323.83388.2 3501.0 3596.8 3700.3 3824.4 3911.3 3975.6 4022.7 4100.44158.7 4238.8 4306.2 4376.6 4399.4 4455.8 4508.5 4573.1 4655.54731.4 4845.2 4914.5 5013.7 5105.3 5217.1 5329.2 5423.9 5501.35557.0 5681.4 5767.8 5796.8 5813.6 5849.0 5904.5 5959.4 6016.66138.3 6212.2 6281.1 6390.5 6458.4 6512.3 6584.8 6684.5 6773.66876.3 6977.6 7062.2 7140.5 7202.4 7293.4 7344.3 7426.6 7537.57593.6;run;注：Intnx函数按间隔递增日期，Intnx函数计算某个区间经过若干区间间隔之后的间隔的开始日期或日期时间值，其中开始间隔内的一个日期或日期时间值给出。
基于SAS系统的时间序列建模应用
技术创新41基于SAS系统的时间序列建模应用◊广州民航职业技术学院人文社科学院徐燕SAS系统是国际公认的统计分析标准软件，具有强大的统计分析和统计建模功能，其SAS/ETS模块对时间序列数据编程语言简洁，分析结果可靠。
本文以2019年全国大学生数学建模竞赛D题为例，简述SAS系统在数学建模竞赛中的应用实践，进行统计描述，以空气质量检测数据为时间序列建立ARIMA模型，并给出了预测和误差分析，结果表明数据的校准效果良好，提高了数据精度。
1引言SAS系统(Statistical Analysis System)是由美国Northcarolina 州立大学于1966年开发的统计分析软件，被誉为统计分析的标准软件，在各个领域得到了广泛的应用。
21世纪大数据时代，由于数据体量巨大、数据类型繁多、非结构化等特点，实时高效处理是个难题。
传统工具如Excel、SPSS等的表现捉襟见肘。
SAS系统被誉为“大数据分析领域的重镇”,其优越性获得了市场的认可。
SAS将数据的存储、管理、分析和呈现有机的融为一体，功能强大，统计方法齐、全、新。
SAS系统主要包括四大部分：SAS数据库、SAS分析核心、SAS开发呈现工具、SAS对分布处理模式的支持及其数据库设计。
其中，Base SAS是其整个系统的核心，负责数据管理、交互应用、用户语言处理、调用其他模块等。
它还可以进行基本的描述性统计及相关系数的计算等工作。
SAS/ETS提供了丰富的时间序列分析方法，是研究复杂系统和进行预测的有利工具，它提供了方便的模型设定手段和多样的参数估计方法。
近年来，大数据在全国大学生数学建模竞赛中频频现身，也印证了大数据时代的市场需求。
为例更好的实现数据的分析和处理,我们近年来也致力于SAS系统在数学建模竞赛中的培训和应用实虹作。
2019年全国大学生数学建模竞赛D题提供的空气污染物浓度数据，监测数据往往具有随机性，并随着时间的推移而具有某些统计规律。
ARIMA预测原理以及SAS实现代码
█ARIMA定义ARIMA的完整写法为ARIMA(p,d,q)►其中p为自回归系数，代表数据呈现周期性波动►d为差分次数，代表数据差分几次才能达到平稳序列►q为移动平均阶数，代表数据为平稳序列，可以用移动平均来处理。
█平稳性检测方法•►方法一：时序图序列始终在一个常数值附近随机波动，且波动范围有界，且没有明显的趋势性或周期性，所以可认为是平稳序列。
下图明显不是一个平稳序列proc gplot data=gdp;plot gdp*year=1 ;symbol c=red i=join v=star;run;•►方法二：自相关图自相关系数会很快衰减向0，所以可认为是平稳序列。
proc arima data= gdp;identify var=gdp stationarity =(adf=3) nlag=12;run;•►ADF单位根检验（精确判断）三个检验中只要有一个Pr<Rho小于0.05即可认定为平稳序列，主要是stationarity=(adf=3) 起作用proc arima data= gdp;identify var=gdp stationarity =(adf=3) nlag=12; run;█白噪声检验Pr>卡方<0.05即可认定为通过白噪声检验。
proc arima data= gdp;identify var=gdp stationarity =(adf=3) nlag=12; run;█非平稳序列转换为平稳序列方法一：将数据取对数。
方法二：对数据取差分dif函数data gdp_log;set gdp;loggdp=log(gdp);cfloggdp=dif(loggdp);run;/**对数数据散点图**/proc gplot;plot loggdp*year=1 ;symbol c=black i=join v=star; run;/* 一阶差分对数数据散点图*/ proc gplot;plot cfloggdp*year=1;symbol c=green v=dot i=join;run;从上图中可以看出，一阶差分后序列已经变成平稳的了，因此，数列需要做一阶差分█转换完毕后再验证下面代码中的（1）就代表1阶差分，adf=3则代表平稳性检验0-3，/* 一阶差分对数数据的自相关图、偏自相关图、纯随机性检验、单位根检验 */ proc arima data=gdp_log;identify var=loggdp(1) stationarity =(adf=3) nlag=12;run;用Q LB统计量作的 2检验结果表明：对数差分后的GDP序列的Q LB统计量的P值为0.0045（<0.05），故序列为非白噪声序列。
SAS时间序列分析上机报告
SAS时间序列分析上机报告得到的结果如图⼀所⽰：图⼀时间序列editor窗中输⼊如下程序：(1) t t t X X ε+=-11.1data a; x1=0.5;n=-50;do i=-50 to 1000;a=rannor(32565);*随机正态，32565是种⼦; x=a+1.1*x1; x1=x; n=n+1;if i>0 then output ; end ; run ;proc print data =a; var x;proc gplot data =a;symbol i =spline c =red; plot x*n; run ;得到的结果如下图⼆所⽰：图⼆时间序列data a; x1=0.5;n=-50;do i=-50 to 1000;a=rannor(32565);*随机正态，32565是种⼦; x=a-1.1*x1; x1=x;n=n+1;if i>0 then output ; end ; run ;proc print data =a; var x;proc gplot data =a;symbol i =spline c =red; plot x*n; run ;(2) t t t X X ε+-=-11.1图三时间序列从上⾯的图形我们可以看到图⼀的所有值均在0左右波动，整个时间序列是平稳的，⽽图⼆和图三都是随着时间的推迟，越发偏离初始值，是不平稳的。
根据t t t X X εφ+=-11，只有11<φ，模型才是平稳的，显然后⾯两个模型不符合条件。
．模拟⾃回归模型t t t t X X X ε++=--213.05.0的程序如下：data a;x1=x;n=n+1;if i>0then output;end;run;proc print data=a;var x;proc gplot data=a;symbol i=spline c=red;plot x*n;run;得到的结果如下图四所⽰：图四A R(2)模拟图形8．针对第⼋题，我们利⽤⽤第七题的程序产⽣数据，在根据第⼋题的相关程序观察⾃相关函数和偏⾃相关函数的图像。
sas常用代码
sas常用代码1、导入数据2、提取年份（在年份不为4位数时，需要这一步）Data 某表1；set某表；Year=year（date）;Run;注：如果需要提取一般数据，则采用如下数据：Data 某表1，set某表；Year=year(date,2,4);表示从第二个字符起，取4个字符Run3、排序（按照代码和年对ROA里的数据进行排序）【这一步是在合并具有相同变量的表时必须要做的。
】PROCSORT DATA=ROA;BY CODE YEAR;RUN;4、合并Datahebing;Merge ROA1 ASSEST1;by code year;run;注：hebing中包含了所有的ROA1和ASSEST1数据（无if）有取舍合并Datahebing;mergeROA1 (in=a) ASSEST1 (in=b);by code year;if a=1 and b=1;Run;5、删除不需要的数据Data hebing1;sethebing;ifROA<0 then delete;run;Data hebing1;sethebing;if roa=.or roa=" " then delete;(删除缺失值)（if ros+roa+roe=. then delete;同时删除rosroa roe中的缺失值）run;6、取自然对数和删除变量Data hebing2;set hebing1;Inassest=log(assest);InROA=log(1+roa);Run；7、对连续变量的缩尾处理winsorize(消除极端值影响)只有连续变量才能消除极端值影响Data temp1;set hebing2; d=1;run;procmeansnoprint;varinassestinroa; by d;output out=tmp2(drop=_freq_ _type_) p1=x1-x2 p99=y1-y2;Data hebing3;merge temp1 tmp2; by d;array z{1:2} inassestinroa;array x{1:2} x1-x2; array y{1:2} y1-y2;do i=1 to 2;if z[i]if z[i]>y[i] then z[i]=y[i];end; drop i d x1-x2 y1-y2;run;8、年份和行业的控制data hebing3; set hebing2;if year=2001then year01=1; else year01=0;if year=2002then year02=1; else year02=0;if year=2003then year03=1; else year03=0;if year=2004then year04=1; else year04=0;if year=2005then year05=1; else year05=0;if year=2006then year06=1; else year06=0;if year=2007then year07=1; else year07=0;if year=2008then year08=1; else year08=0;if year=2009then year09=1; else year09=0;if year=2010then year10=1; else year10=0;if year=2011then year11=1; else year11=0;if year=2012then year12=1; else year12=0;if year=2013then year13=1; else year13=0;if indus="B"then induB=1; else induB=0;if indus="C"then induC=1; else induC=0;if indus="D"then induD=1; else induD=0;if indus="E"then induE=1; else induE=0;if indus="F"then induF=1; else induF=0;if indus="G"then induG=1; else induG=0;if indus="H"then induH=1; else induH=0;if indus="J"then induJ=1; else induJ=0;if indus="K"then induK=1; else induK=0;if indus="L"then induL=1; else induL=0;if indus="M"then induM=1; else induM=0;run;9、描述性统计（针对所有变量）procmeans data=hebing3 n（数量）mean（均值）std（标准偏差）minq1medianq3maxmaxdec=4（最多保留4位小数）;var lnfeelnnum ;run;9、变量之间的相关性分析proccorr data=hebing3pearsonspearman; var lnfeelnnum ;run;10、回归procreg data=hebing3;model lnfee=lnnum;run;1、以e为底的自然对数是LOG(x)；2、以2为底的对数是LOG2(x)；3、以10为底的对数是LOG10(x)。
SAS试验代码
实验一、掌握SAS程序语言的基本知识一、目的熟悉和掌握用SAS程序设计语言编写简单程序及如何构建逻辑库，具体包括：SAS系统操作界面，文件管理，数据集的导入\导出，数据的编辑与整理，数据的写法，如何读取文件，时间和日期写法，LIBNAME,DATA,PROC PRINT, INPUT, INFILE, 循环语句，SET, MERGE，KEEP, DROP。
内容：1、应用DATA步创建逻辑库、数据集、并向数据集中送入数据。
Data set ONEID SEX DOB SALARY1 M 10/21/46 700002 F 11/01/55 680007 M 01/27/59 47000Data set TWOID SEX DOB SALARY TAXRATE WITHHOLD3 F 01/01/33 78000 0.36 230005 M 03/07/29 37000 0.25 9000Data set THEREID SEX DOB SALARY HEIGHT WEIGHT4 M 10/23/49 65000 68 1586 F 07/04/65 55000 74 2022.写一个程序得到如下输出：Data set ALLID DOB SALARY1 10/21/46 700002 11/01/55 680003 01/01/33 780004 10/23/49 650005 03/07/29 370006 07/04/65 550007 01/27/59 470003. 使用如上数据，写一个程序创建一个新的数据集（SALARY大于50000的所有人）。
实验二、SAS过程及简单的统计分析一、目的熟悉SAS过程步的基本命令语句，具体包括：VAR语句， MODEL语句,BY 语句,OUTPUT语句,FREQY语句和WEIGHT语句,ID语句,WHERE语句,LABEL语句及FORMAT语句。
掌握用SAS的MEANS,UNIVARIATE和FREQ过程进行简单的统计量计算。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
实验指南目录实验一分析太阳黑子数序列 (3)实验二模拟AR模型 (4)实验三模拟MA模型和ARMA模型 (6)实验四分析化工生产量数据 (8)实验五模拟ARIMA模型和季节ARIMA模型 (10)实验六分析美国国民生产总值的季度数据 (13)实验七分析国际航线月度旅客总数数据 (16)实验八干预模型的建模 (19)实验九传递函数模型的建模 (22)实验十回归与时序相结合的建模 (25)太阳黑子年度数据 (28)美国国民收入数据 (29)化工生产过程的产量数据 (30)国际航线月度旅客数据 (30)洛杉矶臭氧每小时读数的月平均值数据 (31)煤气炉数据 (35)芝加哥某食品公司大众食品周销售数据 (37)牙膏市场占有率周数据 (39)某公司汽车生产数据 (44)加拿大山猫数据 (44)实验一分析太阳黑子数序列一、实验目的：了解时间序列分析的基本步骤，熟悉SAS/ETS软件使用方法。
二、实验内容：分析太阳黑子数序列。
三、实验要求：了解时间序列分析的基本步骤，注意各种语句的输出结果。
四、实验时间：2小时。
五、实验软件：SAS系统。
六、实验步骤1、开机进入SAS系统。
2、创建名为exp1的SAS数据集，即在窗中输入下列语句：data exp1;input a1 @@;year=intnx(‘year’,’1jan1742’d,_n_-1);format year year4.;cards;输入太阳黑子数序列(见附表)run;3、保存此步骤中的程序，供以后分析使用（只需按工具条上的保存按钮然后填写完提问后就可以把这段程序保存下来即可）。
4、绘数据与时间的关系图，初步识别序列，输入下列程序：proc gplot data=exp1;symbol i=spline v=star h=2 c=green;plot a1*year;run;5、提交程序，在graph窗口中观察序列，可以看出此序列是均值平稳序列。
6、识别模型，输入如下程序。
proc arima data=exp1;identify var=a1 nlag=24;run;7、提交程序，观察输出结果。
初步识别序列为AR(3)模型。
8、估计和诊断。
输入如下程序：estimate p=3;run;9、提交程序，观察输出结果。
假设通过了白噪声检验，且模型合理，则进行预测。
10、进行预测，输入如下程序：forecast lead=6 interval=year id=year out=out;run;proc print data=out;run;11、提交程序，观察输出结果。
12、退出SAS系统，关闭计算机。
实验二模拟AR模型一、实验目的：熟悉各种AR模型的样本自相关系数和偏相关系数的特点，为理论学习提供直观的印象。
二、实验内容：随机模拟各种AR模型。
三、实验要求：记录各AR模型的样本自相关系数和偏相关系数，观察各种序列图形，总结AR模型的样本自相关系数和偏相关系数的特点四、实验时间：2小时。
五、实验软件：SAS系统。
六、实验步骤1、开机进入SAS系统。
2、 模拟实根情况，模拟t t t t a z z z = + 214.06.0过程。
3、 在edit 窗中输入如下程序：data a;x1=0.5;x2=0.5;n=-50;do i=-50 to 250;a=rannor(32565);x=a-0.6*x1+0.4*x2;x2=x1;x1=x;n=n+1;if i>0 then output;end;run;4、观察输出的数据，输入如下程序，并提交程序。
proc print data=a;var x;proc gplot data=a;symbol i=spline c=red;plot x*n;run;5、 观察样本自相关系数和偏相关系数，输入输入如下程序，并提交程序。
proc arima data=a;identify var=x nlag=10 outcov=exp1;run;proc gplot data=exp1;symbol i=needle width=6;plot corr*lag;run;proc gplot data=exp1;symbol i=needle width=6;plot partcorr*lag;run;6、 作为作业把样本自相关系数和偏相关系数记录下来。
7、 估计模型参数，并与实际模型的系数进行对比，即输入如下程序，并提交。
proc arima data=a;identify var=x nlag=10 ;run;estimate p=2;run;8、 模拟虚根情况，模拟t t t t a z z z =+ 215.0过程。
重复步骤3-7即可（但部分程序需要修改，请读者自己完成）。
9、 模拟AR(3)模型，模拟t t t t t a z z z z = + 3212.03.04.0过程。
重复步骤3-7即可(但部分程序需要修改，请读者自己完成).10、回到graph 窗口观察各种序列图形的异同11、退出SAS 系统,关闭计算机.实验三 模拟MA 模型和ARMA 模型一、 实验目的：熟悉各种MA 模型和ARMA 模型的样本自相关系数和偏相关系数 的特点，为理论学习提供直观的印象。
二、 实验内容：随机模拟各种MA 模型和ARMA 模型。
三、 实验要求：记录各MA 模型和ARMA 模型的样本自相关系数和偏相关系数， 观察各序列的异同，总结MA 模型和ARMA 模型的样本自相关系 数和偏相关系数的特点四、 实验时间：2小时。
五、 实验软件：SAS 系统。
六、 实验步骤1、 开机进入SAS 系统。
2、模拟0,021<<÷÷情况，模拟t t a B B x )24.065.01(2++=过程。
3 在edit 窗中输入如下程序：data a;a1=0;a2=0;do n=-50 to 250;a=rannor(32565);x=a+0.65*a1+0.24*a2;a2=a1;a1=a;if n>0 then output;end;run;4、观察输出的数据序列，输入如下程序，并提交程序。
proc gplot data=a;symbol i=spline;plot x*n;run;5、观察样本自相关系数和偏相关系数，输入输入如下程序，并提交程序。
proc arima data=a;identify var=x nlag=10 outcov=exp1;run;proc gplot data=exp1;symbol1 i=needle c=red;plot corr*lag=1;run;proc gplot data=exp1;symbol2 i=needle c=green;plot partcorr*lag=2;run;6、作为作业把样本自相关系数和偏相关系数记录下来。
7、估计模型参数，并与实际模型的系数进行对比，即输入如下程序，并提交。
proc arima data=a;identify var=x nlag=10 ;run;estimate q=2;run;8、 模拟0,021>>÷÷情况，模拟t t a B B x )24.065.01(2=过程。
重复步骤3-7即可（但部分程序需要修改，请读者自己完成）。
9、 模拟0,021<>÷÷情况，模拟t t a B B x )24.065.01(2+ =过程。
重复步骤3-7即可（但部分程序需要修改，请读者自己完成）。
10、 模拟0,021><÷÷情况，模拟t t a B B x )24.065.01(2 +=过程。
重复步骤3-7即可（但部分程序需要修改，请读者自己完成）。
11、 模拟ARMA 模型，模拟21214.03.055.075.0 +=++t t t t t t a a a x x x 过程。
重复步骤3-7即可(但部分程序需要修改，请读者自己完成).12、 回到graph 窗口观察各种序列图形的异同。
13、 退出SAS 系统,关闭计算机. 实验四 分析化工生产量数据一、 实验目的：进一步熟悉时间序列建模的基本步骤，掌握用SACF 及SPACF 定 模型的阶的方法。
二、 实验内容：分析化工生产过程的产量序列。
三、 实验要求：掌握ARMA 模型建模的基本步骤，初步掌握数据分析技巧。
写出 实验报告。
四、 实验时间：2小时。
五、 实验软件：SAS 系统。
六、 实验步骤1、开机进入SAS系统。
2、创建名为exp2的SAS数据集，即在窗中输入下列语句：data exp2;input x @@;n=_n_;cards;输入化工生产产量数据序列（见附表)；run;3、保存此步骤中的程序，供以后分析使用（只需按工具条上的保存按钮然后填写完提问后就可以把这段程序保存下来即可）。
4、绘数据与时间的关系图，初步识别序列，输入下列程序：proc gplot data=exp2;symbol i=spline v=star h=2 c=green;plot x*n;run;5、提交程序，在graph窗口中观察序列，可以看出此序列是均值平稳序列。
6、识别模型，输入如下程序。
proc arima data=exp2;identity var=x nlag=12;run;7、提交程序，观察输出结果，发现二阶样本自相关系数和一阶的样本偏相关系数都在2倍的标准差之外，那么我们首先作为一阶AR模型估计，输入如下程序：estimate plot p=1;run;8、提交程序，观察输出结果，发现残差能通过白噪声检验，但它的二阶的样本偏相关系数比较大，那么我们考虑二阶AR模型。
输入如下程序：estimate plot p=2;run;9、提交程序，观察输出结果，发现残差样本自相关系数和样本偏相关系数都在2倍的标准差之内。
且能通过白噪声检验。
比较两个模型的AIC和SBC, 发现第二个模型的AIC和SBC都比第一个的小，故我们选择第二个模型为我们的结果。
10、记录参数估计值，写出模型方程式。
11、进行预测，输入如下程序：forecast lead=12 out=out;run;proc print data=out;run;12、提交程序，观察输出结果。
13、退出SAS系统，关闭计算机。
实验五模拟ARIMA模型和季节ARIMA模型一、实验目的：熟悉各种ARIMA模型的样本自相关系数和偏相关系数的特点，区别各种ARIMA模型的图形，为理论学习提供直观的印象。
二、实验内容：随机模拟各种ARIMA模型。
三、实验要求：记录各ARIMA模型的样本自相关系数和偏相关系数观察各序列图形的异同，总结ARIMA 模型的样本自相关系数和偏相关系数 的特点四、 实验时间：2小时。