时间序列分析课程设计(最终版)

《时间序列分析》

课程设计报告

学院

专业

姓名

学号

评语：

分数

二○一二年十一月

目录

1.平稳序列分析（选用数据：国内工业同比增长率）-------------------------3

1.1 序列分析--------------------------------------------------------------3

1.2 附录（程序代码）------------------------------------------------------7

2.非平稳序列分析I（选用数据：国家财政预算支出）-------------------------8

2.1 使用ARIMA进行拟合-------------------------------------------------8

2.2 使用残差自回归进行拟合---------------------------------------------11

2.3 附录（程序代码）-----------------------------------------------------12

3.非平稳序列分析II（选用数据：美国月度进出口额）------------------------13

3.1序列分析--------------------------------------------------------------13

3.2附录（程序代码）------------------------------------------------------18

一、平稳序列分析（选用数据：国内工业同比增长率，2005年01月-2012年5月）绘制时序图

rate

22

21

20

19

18

17

16

15

14

13

12

11

10

9

8

7

6

5

01JAN0501JUL0501JAN0601JUL0601JAN0701JUL0701JAN0801JUL0801JAN0901JUL0901JAN1001JUL1001JAN1101JUL1101JAN1201JUL12

time

图1-1 国内工业月度同比增长率序列时序图

的趋势以及周期性，波动稳定，可以初步判定为平稳序列。下面进一步考察序列的自相关图。

图1-2 国内工业月度同比增长率序列的样本自相关图

认为该序列平稳。下面对序列进行白噪声检验。

图1-3 国内工业月度同比增长率序列白噪声检验结果

根据这个检验结果，在各阶延迟下LB检验统计量的P值非常小（<0.0001），因此拒绝序列纯随

图1-4 国内工业月度同比增长率序列的样本偏自相关图

模型定阶为MA(2)。

图1-5 ESTIMATE命令输出的未知参数估计结果

图1-6 模型MA(2)残差自相关检验结果

由于延迟各阶的LB统计量的Ｐ值均显著大于0.05，所以该拟合模型显著成立。为得到更好的拟合模型，考虑用MINIC选项，以获得一定范围内的最优模型定阶。

图1-7最小信息量结果

及残差自相关性检验。

图1-8 ESTIMATE命令输出的未知参数估计结果

图1-9 模型MA(1)残差自相关检验结果

值以及SBC值。与模型AR(2)比较结果如下：

考虑AIC值SBC值

AR(1) 428.8244 433.8017

AR(2) 425.9722 433.4381

图1-10 ESTIMATE命令输出的拟合模型形式

最后进行序列预测

图1-11 FORECAST命令输出的预测结果

rate

10

20

30

time

01JAN0501JUL0501JAN0601JUL0601JAN0701JUL0701JAN0801JUL0801JAN0901JUL0901JAN1001JUL1001JAN1101JUL1101JAN1201JUL1201JAN13

图1-12 拟合效果图

型的拟合结果良好。

附录（程序代码）：

data data1; /*创建数据集data1*/

input rate@@; /*定义自变量rate*/

time=intnx('month','01jan2005'd,_n_-1);

format time date.;

cards;

20.9 7.6 15.1 16.0 16.6 16.8 16.1 16.0 16.5 16.1 16.6 16.5 12.6 20.1 17.8 16.6 17.9 19.5 16.7 15.7 16.1 14.7 14.9 14.7 16.7 12.6 17.6 17.4 18.1 19.4 18.0 17.5 18.9 17.9 17.3 17.4 19.9 15.4 17.8 15.7 16.0 16.0 14.7 12.8 11.4 8.2 5.4 5.7 10.2 11.0 8.3 7.3 8.9 10.7 10.8 12.3 13.9 16.1 19.2 18.5 18.1 12.8 18.1 17.8 16.5 13.7 13.4 13.9 13.3 13.1 13.3 13.5 15.1 14.9 14.8 13.4 13.3 15.1 14.0 13.5 13.8 13.2 12.4 12.8 15.2 21.3 11.9 9.3 9.6

; /*录入数据*/

proc gplot data=data1; /*绘制时序图*/

plot rate*time=1;

symbol1c=red i=join v=star;

run;

proc arima data=data1; /*模型识别，利用MINIC选项进行最优模型定阶*/

identify var=rate nlag=20minic p=(0:5) q=(0:5);

estimate p=1; /*参数估计，模型为AR(1)*/

run;

proc arima data=data1; /*模型识别*/

identify var=rate nlag=20;

estimate p=2; /*参数估计，模型为AR(2)*/

forecast lead=5id=time interval=month out=results; /*预测未来五期数据*/

run;

proc gplot data=results; /*绘制拟合效果图*/

where time>='01jan2005'd;

plot rate*time=1 forecast*time=2 l95*time=3 u95*time=3/overlay;

symbol1c=black i=none v=star;

symbol2c=red i=join v=none;

symbol3c=green i=join v=none l=2;

run;