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 87.4
110.5 25 69.3 53.5 39.8 63.6 46.7 72.9
79.6 83.6 80.7 60.3 79 74.4 49.6 54.7
71.8 49.1 103.9 51.6 82.4 83.6 77.8 79.3
89.6 85.5 58 120.7 110.5 65.4 39.9 40.1
88.7 71.4 83 55.9 89.9 84.8 105.2 113.7
124.7 114.5 115.6 102.4 101.4 89.8 71.5 70.9
98.3 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。

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。

从自相关图来看，自相关系数趋于0的速度是比较快的，再结合时序图来看，可以确定这组数列是属于平稳数列。

从最后的纯随机检验结果分析来看，P<0.0001，因而这是非白噪声序列。

综上所述，该数列是平
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：
以上是我们建立的AR（1）模型中的参数结果。

其中，我们可以看出所有的参数均是显著的，为了使模型拟合得更优，我们应该除去常数项，再进行模型分析比较。

forecast lead=5id=time out=results;
run;
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，也就是预测的数据误差来看，误差都是非常的小，因而对数据的5期预测值也是非常的可靠。

在对比第一个步骤的时序图，我们可以发现，在预测的5个期间段中，样本数据并没有很大程度的波动或很明显的趋势，但是相对偏向于下降的趋势，而它对应的置信区间也是最大的，因而数据会稳定在这期间中，尽管如此，数据也不会有明显的波动，都是相对稳定的。

18.
data lianxi3_18;
input x@@;
time=_n_;
cards;
0.97 0.45 1.61 1.26 1.37 1.43 1.32 1.23 0.84 0.89 1.18
1.33 1.21 0.98 0.91 0.61 1.23 0.97 1.10 0.74 0.80 0.81
0.80 0.60 0.59 0.63 0.87 0.36 0.81 0.91 0.77 0.96 0.93
0.95 0.65 0.98 0.70 0.86 1.32 0.88 0.68 0.78 1.25 0.79
1.19 0.69 0.92 0.86 0.86 0.85 0.90 0.54 0.32 1.40 1.14
0.69 0.91 0.68 0.57 0.94 0.35 0.39 0.45 0.99 0.84 0.62
0.85 0.73 0.66 0.76 0.63 0.32 0.17 0.46
;
proc gplot data=lianxi3_18;
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，因而可以初步判断这是平稳数列。

proc arima data=lianxi3_18;
identify Var=x nlag=8;
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
结果分析：
从上图可以看出，在众多模型中，AR(1)模型的BIC信息量是最小的，因而我们接下来会采用AR(1)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，
89.3 79.3 82.7 88.0 79.6 87.8 83.6 79.5 83.3 88.4 86.6 84.6 79.7 86.0 84.2 83.0 84.8 83.6 81.8 85.9 88.2 83.5 87.2 83.7 87.3 83.0 90.5 80.7 83.1 86.5 90.0 77.5 84.7 84.6 87.2 80.5 86.1 82.6 85.4 84.7 82.8 81.9 83.6 86.8 84.0
84.2 82.8 83.0 82.0 84.7 84.4 88.9 82.4 83.0
85.0 82.2 81.6 86.2 85.4 82.1 81.4 85.0 85.8 84.2 83.5 86.5 85.0 80.4 85.7 86.7 86.7 82.3 86.4 82.5 82.0 79.5 86.7 80.5 91.7 81.6 83.9 85.6 84.8 78.4 89.9 85.0 86.2 83.0 85.4 84.4 84.5 86.2 85.6 83.2 85.7 83.5 80.1 82.2 88.6 82.0 85.0 85.2 85.3 84.3 82.3 89.7 84.8 83.1 80.6 87.4 86.8 83.5 86.2 84.1 82.3 84.8 86.6 83.5 78.1 88.8 81.9 83.3 80.0 87.2 83.3 86.6 79.5 84.1 82.2 90.8 86.5 79.7 81.0 87.2 81.6 84.4 84.4 82.2 88.9 80.9 85.1 87.1 84.0 76.5 82.7 85.1 83.3 90.4 81.0 80.3 79.8 89.0 83.7 80.9 87.3 81.1 85.6 86.6 80.0 86.6 83.3 83.1 82.3 86.7 80.2
;
proc gplot data=lianxi3_18;
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，因而可以初步判断这是平稳数列。

proc arima data=lianxi3_18;
identify Var=x nlag=8;
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
结果分析：
从上图可以看出，在众多模型中，MA1模型的BIC信息量是最小的，因而我们接下来会采用MA(1)
结果分析：
以上是我们建立的MA(1)模型中的参数结果。

其中，我们可以看出所有的参数均是显著的因而模型结果分析：
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，。