SAS时序分析程序说明
合集下载
- 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)。
– p或q如果为零，可以忽略不写
例句
Identify var=x; Estimate p=1 q= 1;
– 拟合ARMA(1,1) 模型
Identify var=x(1); Estimate p=1 q= 1;
– 拟合ARIMA(1,1,1) 模型
Identify var=x(1); Estimate p=(1 3);
cpit
t 1 1B gdpt 1 1B 1 1B 2 B 2
问题
• 要拟合如下模型如何写命令：
yt 1xt 2 xt 1 2 xt 2 t yt 1x1t 2x2t t
FORECAST命令
Method的类型
• METHOD=ML estimates
• METHOD=ULS estimates • METHOD=YW • METHOD=ITYW estimates
specifies maximum likelihood
specifies unconditional least-squares specifies Yule-Walker estimates specifies iterative Yule-Walker
Identify var=cpi(1) crosscorr=（gdp(1) interest）;
– 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的一阶差分序列和interest 作为输入变量，cpi的一阶差分序列作为 响应变量，对解释变量和响应变量之间的互相关关系进行识别
Identify var=cpi(1) nlag=12 crosscorr=（gdp(1) interest）outcov=out;
– 其他同上 – 输出延迟阶数为12的自相关和偏自相关系数信息 – 相关系数的信息存入数据集out
ESTIMATE命令
• • • • • 给出指定模型的所有参数的估计值 参数的显著性检验情况 残差的白噪声检验情况 命令格式 Estimate p=自相关阶数 q= 移动平均阶数 ;
• 给出估计值及置信区间 • 给出指定期数的预测值及置信区间 • 选择是否输出预测结果 • 命令格式 FORECAST lead=预测期数 id=时间标示 interval=单位时间间隔 alpha=a out=输出结 果数据集；
– 如果proc arima中指定了输出文件集，这里又一次 指定了输出文件集名，这个名称覆盖前一个名称。
LINEAR specifies the linear function. LOG specifies the log function. SQRT specifies the square root function.
yt xt ht vt yt xt ln ht vt yt xt ht vt
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， 对这两个变量之间的互相关关系进行识别
在自相关阶数跑遍p1p2移动平均阶数跑遍q1q2的范围内寻找aic最小的模型阶数一种傻瓜型定阶方法指定输入变量可以是原序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例句identifyvarcpi1nlag18stationarityadf3
PROC ARIMA语句
• 开始进入ARIMA分析程序的起始命令 • 可选择命令：
– Data=文件名 – Out=文件名 /指定分析数据所在文件名/ /指定输出预测值的SAS数据集/
• 例句：
PROC ARIMA; – 默认对最近一次使用的数据集进行ARIMA分析 PROC ARIMA data=a; – 对临时库数据集a进行ARIMA分析 PROC ARIMA data=sasuser.a out=b; – 对永久库数据集sasuer.a进行ARIMA分析,预测结果存入 临时数据库b
– 对cpi的一阶差分序列和gdp的一阶差分序列建 立回归模型
cpit a bgdpt t
例句
Identify var=cpi(1) crosscorr=gdp(1); Estimate input=(1 $(1)/(1) gdp);
– 对cpi的一阶差分序列和gdp的一阶差分序列建立如 下回归模型
例句
• FORECAST lead=5 id=time interval=month alpha=0.01 out=result；
– 将相应变量的估计值及5期预测值及它们的99% 置信区间存入result这个数据集中，该数据以 time为时间变量，该变量为月度数据
例句练习
• proc arima data=seriesj; identify var=x nlag=10; estimate p=3; • identify var=y crosscorr=(x) nlag=10; estimate input=( 3$ (1,2)/(1,2) x ) plot; • estimate p=2 input=( 3$ (1,2)/(1) x ); run;
AUTБайду номын сангаасREG过程
• 回归分析 • 进行带自相关误差的回归分析 • 条件异方差建模
yt xt vt v v v t 1 t 1 m t m t AR(m) GARCH ( p, q) i ,i , d t ht et , et ~ N (0,1) 回归模型 q p 2 h a i t i j ht j t i 1 j 1
(1 B) xt
1 1 B 3 B3
t
带输入变量的估计命令
Input (d $ (q)/(p)输入变量名)
– 对输入变量序列的ARIMA(p,d,q)变化量作为解释 变量，与相应变量进行回归分析
• 例句 Identify var=cpi(1) crosscorr=gdp(1); Estimate input=(1 $ gdp);
Identify var=x(d);
– 对X的d步差分变量进行识别，输出上面三种结果
Identify var=x(1);
– 对X的一阶差分变量进行识别
Identify var=x(1，1);
– 对X的二阶差分变量进行识别
Identify var=x(1，4);
– 对X的一阶和4步差分后变量进行识别（通常用于有趋势和有周期 的序列识别）
Type的类型
• TYPE= -EXP specifies the exponential GARCH or EGARCH model.
-INT specifies the integrated GARCH or IGARCH model. MEAN= value specifies the functional form of the GARCH-M model. The values of the MEAN= option are
– 对cpi的一阶差分序列进行滞后阶数分别等于 0,1,2的pp检验 – 其他同上
例句
Identify var=cpi (1) minic p=(0:5) q=(0:5);
– 对cpi一阶差分序列进行识别，输出基本统计， 自相关信息和白噪声检验信息 – 对cpi一阶差分序列寻找最优拟合阶数 （p>=5,q<=5)
– 拟合项疏系数模型
Identify var=x(1 4); Estimate p=(1)(4) q= (1)(4) noint;
– 拟合无常数项乘积模型 ARIMA(1,1,1) × ARIMA4(1,1,1)模型 (1 1B)(1 4 B4 ) 4 (1 B)(1 B ) xt t 4 (1 1B)(1 4 B )
RUTOREG命令
Proc autoreg data=文件名； Model 应变量=自变量/nlag= m lagdep=延迟 因变量 garch=(p= q= type= ) noint method=估计方法 Dw= dwprob tationarity= ( phillips ) ; Output out=输出文件名 p=预测值 pm=预测 均值 rm=残差值 lcl=置信下限 ucl=置信上限；
• Stationarity=（）；
– 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（可以是原序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
IDENTIFY语句
• 单变量序列样本自相关，逆自相关和偏自 相关属性，平稳性识别，白噪声识别，单 位根检验结果输出 • 多变量序列响应变量和解释变量的选择及 互相关属性输出 • 命令格式 • IDENTIFY VAR=相应变量名 可选择命令；
例句
Identify var=x;
– 对x变量进行识别，输出均值，标准差等描述性统计量 – 输出自相关，逆自相关和偏自相关系数及图（平稳性检验和参数 定阶基础） – 输出白噪声检验结果
SAS时序分析程序说明
ARIMA过程
• 单变量场合：ARIMA模型的识别，拟合，预 测 • 多变量场合：ARIMAX模型的识别，拟合， 预测
– 干预模型的识别，拟合，预测 – 转移函数模型的识别，拟合，预测
ARIMA过程三阶段建模
• • • • PROC ARIMA options; IDENTIFY VAR=variable options;/识别/ ESTIMATE options;/估计/ FORECAST options; /预测/
IDENTIFY可选命令
• Nlag=k；
– 指明计算自相关系数和互相关系数过程中需要考虑的延迟阶数。 如果不特别指定nlag的阶数，计算机默认的输出阶数是min(24,n/4)
• Minic p=(p1:p2) q=(q1:q2)；
– 在自相关阶数跑遍p1-p2，移动平均阶数跑遍q1-q2 的范围内，寻 找AIC最小的模型阶数（一种傻瓜型定阶方法）
cpit 1 1B gdpt t 1 1B
Identify var=cpi(1) crosscorr=gdp(1); 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
例句
Proc autoreg data=a; Model y=t /nlag=5 method=ml backstep; Run;
– 构建如下模型，使用极大使然估计方法，自回 归的阶数最大为5，最合适的阶数由逐步回归确 定 yt 0 +1t vt vt t 1vt 1 p vt p
例句
Identify var=cpi(1) nlag=18 stationarity=(adf=3);
– 对cpi的一阶差分序列进行识别，输出延迟18阶 的基本统计，自相关信息和白噪声检验信息 – 对cpi的一阶差分序列进行滞后阶数分别等于 0,1,2,3的adf检验
Identify var=cpi(1) nlag=18 stationarity=(pp=2);
i ,i , d t ~ N (0,1)
例句
Proc autoreg data=a; Model y=t /nlag=2 method=ml; Run;
– 构建如下模型，使用极大使然估计方法
yt 0 +1t vt vt t 1vt 1 2vt 2 i ,i , d t ~ N (0,1)
例句
Identify var=x; Estimate p=1 q= 1;
– 拟合ARMA(1,1) 模型
Identify var=x(1); Estimate p=1 q= 1;
– 拟合ARIMA(1,1,1) 模型
Identify var=x(1); Estimate p=(1 3);
cpit
t 1 1B gdpt 1 1B 1 1B 2 B 2
问题
• 要拟合如下模型如何写命令：
yt 1xt 2 xt 1 2 xt 2 t yt 1x1t 2x2t t
FORECAST命令
Method的类型
• METHOD=ML estimates
• METHOD=ULS estimates • METHOD=YW • METHOD=ITYW estimates
specifies maximum likelihood
specifies unconditional least-squares specifies Yule-Walker estimates specifies iterative Yule-Walker
Identify var=cpi(1) crosscorr=（gdp(1) interest）;
– 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的一阶差分序列和interest 作为输入变量，cpi的一阶差分序列作为 响应变量，对解释变量和响应变量之间的互相关关系进行识别
Identify var=cpi(1) nlag=12 crosscorr=（gdp(1) interest）outcov=out;
– 其他同上 – 输出延迟阶数为12的自相关和偏自相关系数信息 – 相关系数的信息存入数据集out
ESTIMATE命令
• • • • • 给出指定模型的所有参数的估计值 参数的显著性检验情况 残差的白噪声检验情况 命令格式 Estimate p=自相关阶数 q= 移动平均阶数 ;
• 给出估计值及置信区间 • 给出指定期数的预测值及置信区间 • 选择是否输出预测结果 • 命令格式 FORECAST lead=预测期数 id=时间标示 interval=单位时间间隔 alpha=a out=输出结 果数据集；
– 如果proc arima中指定了输出文件集，这里又一次 指定了输出文件集名，这个名称覆盖前一个名称。
LINEAR specifies the linear function. LOG specifies the log function. SQRT specifies the square root function.
yt xt ht vt yt xt ln ht vt yt xt ht vt
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， 对这两个变量之间的互相关关系进行识别
在自相关阶数跑遍p1p2移动平均阶数跑遍q1q2的范围内寻找aic最小的模型阶数一种傻瓜型定阶方法指定输入变量可以是原序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例句identifyvarcpi1nlag18stationarityadf3
PROC ARIMA语句
• 开始进入ARIMA分析程序的起始命令 • 可选择命令：
– Data=文件名 – Out=文件名 /指定分析数据所在文件名/ /指定输出预测值的SAS数据集/
• 例句：
PROC ARIMA; – 默认对最近一次使用的数据集进行ARIMA分析 PROC ARIMA data=a; – 对临时库数据集a进行ARIMA分析 PROC ARIMA data=sasuser.a out=b; – 对永久库数据集sasuer.a进行ARIMA分析,预测结果存入 临时数据库b
– 对cpi的一阶差分序列和gdp的一阶差分序列建 立回归模型
cpit a bgdpt t
例句
Identify var=cpi(1) crosscorr=gdp(1); Estimate input=(1 $(1)/(1) gdp);
– 对cpi的一阶差分序列和gdp的一阶差分序列建立如 下回归模型
例句
• FORECAST lead=5 id=time interval=month alpha=0.01 out=result；
– 将相应变量的估计值及5期预测值及它们的99% 置信区间存入result这个数据集中，该数据以 time为时间变量，该变量为月度数据
例句练习
• proc arima data=seriesj; identify var=x nlag=10; estimate p=3; • identify var=y crosscorr=(x) nlag=10; estimate input=( 3$ (1,2)/(1,2) x ) plot; • estimate p=2 input=( 3$ (1,2)/(1) x ); run;
AUTБайду номын сангаасREG过程
• 回归分析 • 进行带自相关误差的回归分析 • 条件异方差建模
yt xt vt v v v t 1 t 1 m t m t AR(m) GARCH ( p, q) i ,i , d t ht et , et ~ N (0,1) 回归模型 q p 2 h a i t i j ht j t i 1 j 1
(1 B) xt
1 1 B 3 B3
t
带输入变量的估计命令
Input (d $ (q)/(p)输入变量名)
– 对输入变量序列的ARIMA(p,d,q)变化量作为解释 变量，与相应变量进行回归分析
• 例句 Identify var=cpi(1) crosscorr=gdp(1); Estimate input=(1 $ gdp);
Identify var=x(d);
– 对X的d步差分变量进行识别，输出上面三种结果
Identify var=x(1);
– 对X的一阶差分变量进行识别
Identify var=x(1，1);
– 对X的二阶差分变量进行识别
Identify var=x(1，4);
– 对X的一阶和4步差分后变量进行识别（通常用于有趋势和有周期 的序列识别）
Type的类型
• TYPE= -EXP specifies the exponential GARCH or EGARCH model.
-INT specifies the integrated GARCH or IGARCH model. MEAN= value specifies the functional form of the GARCH-M model. The values of the MEAN= option are
– 对cpi的一阶差分序列进行滞后阶数分别等于 0,1,2的pp检验 – 其他同上
例句
Identify var=cpi (1) minic p=(0:5) q=(0:5);
– 对cpi一阶差分序列进行识别，输出基本统计， 自相关信息和白噪声检验信息 – 对cpi一阶差分序列寻找最优拟合阶数 （p>=5,q<=5)
– 拟合项疏系数模型
Identify var=x(1 4); Estimate p=(1)(4) q= (1)(4) noint;
– 拟合无常数项乘积模型 ARIMA(1,1,1) × ARIMA4(1,1,1)模型 (1 1B)(1 4 B4 ) 4 (1 B)(1 B ) xt t 4 (1 1B)(1 4 B )
RUTOREG命令
Proc autoreg data=文件名； Model 应变量=自变量/nlag= m lagdep=延迟 因变量 garch=(p= q= type= ) noint method=估计方法 Dw= dwprob tationarity= ( phillips ) ; Output out=输出文件名 p=预测值 pm=预测 均值 rm=残差值 lcl=置信下限 ucl=置信上限；
• Stationarity=（）；
– 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（可以是原序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
IDENTIFY语句
• 单变量序列样本自相关，逆自相关和偏自 相关属性，平稳性识别，白噪声识别，单 位根检验结果输出 • 多变量序列响应变量和解释变量的选择及 互相关属性输出 • 命令格式 • IDENTIFY VAR=相应变量名 可选择命令；
例句
Identify var=x;
– 对x变量进行识别，输出均值，标准差等描述性统计量 – 输出自相关，逆自相关和偏自相关系数及图（平稳性检验和参数 定阶基础） – 输出白噪声检验结果
SAS时序分析程序说明
ARIMA过程
• 单变量场合：ARIMA模型的识别，拟合，预 测 • 多变量场合：ARIMAX模型的识别，拟合， 预测
– 干预模型的识别，拟合，预测 – 转移函数模型的识别，拟合，预测
ARIMA过程三阶段建模
• • • • PROC ARIMA options; IDENTIFY VAR=variable options;/识别/ ESTIMATE options;/估计/ FORECAST options; /预测/
IDENTIFY可选命令
• Nlag=k；
– 指明计算自相关系数和互相关系数过程中需要考虑的延迟阶数。 如果不特别指定nlag的阶数，计算机默认的输出阶数是min(24,n/4)
• Minic p=(p1:p2) q=(q1:q2)；
– 在自相关阶数跑遍p1-p2，移动平均阶数跑遍q1-q2 的范围内，寻 找AIC最小的模型阶数（一种傻瓜型定阶方法）
cpit 1 1B gdpt t 1 1B
Identify var=cpi(1) crosscorr=gdp(1); 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
例句
Proc autoreg data=a; Model y=t /nlag=5 method=ml backstep; Run;
– 构建如下模型，使用极大使然估计方法，自回 归的阶数最大为5，最合适的阶数由逐步回归确 定 yt 0 +1t vt vt t 1vt 1 p vt p
例句
Identify var=cpi(1) nlag=18 stationarity=(adf=3);
– 对cpi的一阶差分序列进行识别，输出延迟18阶 的基本统计，自相关信息和白噪声检验信息 – 对cpi的一阶差分序列进行滞后阶数分别等于 0,1,2,3的adf检验
Identify var=cpi(1) nlag=18 stationarity=(pp=2);
i ,i , d t ~ N (0,1)
例句
Proc autoreg data=a; Model y=t /nlag=2 method=ml; Run;
– 构建如下模型，使用极大使然估计方法
yt 0 +1t vt vt t 1vt 1 2vt 2 i ,i , d t ~ N (0,1)