多元时间序列建模分析.docx

1、应用时间序列分析实验报告实验名称多元时间序列建模分析学号班级实验地点实验日期指导教师实验目的：1、熟悉单位根检验；2、掌握 ARIMAX 模型建模。涉及实验的相关情况介绍（包含使用软件或实验设备等情况）：SAS、excel 表格、 word 。实验内容：1、 我国 1950-2008 年进出口总额数据（单位：亿元）如表6-15 所示。表 6-15年份出口总额进口总额19502021.3195124.235.3195227.137.5195334.846.119544044.7195548.761.1195655.753195754.55019586761.7195978.171.2196063

2、.365.1196147.743196247.133.819635035.7196455.442.1196563.155.319666661.1196758.853.4196857.650.9196959.847.2197056.856.1197168.552.4197282.9641973116.9103.61974139.4152.81975143147.41976134.8129.31977139.7132.81978167.6187.41979211.7242.91980271.2298.81981367.6367.71982413.8357.51983438.3421.8198458

3、0.5620.51985808.91257.819861082.11498.3198714701614.219881766.72055.1198919562199.919902985.82574.319913827.13398.719924676.34443.319935284.85986.2199410421.89960.1199512451.811048.1199612576.411557.4199715160.711806.5199815223.611626.1199916159.813736.5200020634.418638.8200122024.420159.2200226947.

4、924430.3200336287.934195.6200449103.346435.8200562648.154273.7200677594.663376.9200793455.673284.62008100394.979526.5（1）使用单位根检验，分别考察进口总额和出口总额序列的平稳。（2）分别对进口总额序列和出口总额数据拟合模型。（3）考察这两个序列是否具有协整关系。（4）如果这两个序列具有协整关系，请建立适当模型拟合它们之间的相关关系。（5）构造该协整模型的误差修正模型。实验过程记录（含程序、数据记录及分析和实验结果等）：时序图如下：单位根检验输出结果如下：序列 x 的单位根检验结

5、果：序列 y 的单位根检验结果：序列 y 和序列 x 之间的相关图如下：残差序列自相关图：自相关图显示。延迟 6 阶之后自相关系数都在 2 倍标准差范围之内，可以认为残差序列平稳。对残差序列进行2 阶自相关单位根检验，检验结果显示残差序列显著平稳，如下图：残差序列单位根检验结果：残差序列平稳，说明序列 Y 与序列 X 之间具有协整关系，我可以大胆的在这两个序列之间建立回归模型而不必担心虚假回归问题。考察残差序列白噪声检验结果，如下图：残差序列白噪声检验结果：输出结果显示， 延迟各阶 LB 统计量的 P 值都大于显著水平 0.05，可以认为残差序列为白噪声检验结果，结束分析。出口序列拟合的模型为

6、：lnxtARIMA(1,1,0),具体口径为：1ln xt0.1468910.38845Bt进口序列拟合的模型为lnyt ARIMA(1,1,0) ，具体口径为：1lnyt 0.14672 1 0.36364 tlnyt 和 lnxt 具有协整关系。协整模型为：ln yt 0.99179ln xtt 0.69938 t 1误差修正模型为：ln yt0.9786ln xt0.22395ECM t 1SAS程序如下：dataexample6_4;inputx y;t=_n_;cards;195020.0 21.3195124.2 35.3195227.1 37.5195334.8 46.1195

7、440.0 44.7195548.7 61.1195655.7 53.0195754.5 50.0195867.0 61.7195978.1 71.2196063.3 65.1196147.7 43.0196247.1 33.8196350.0 35.7196455.4 42.1196563.1 55.3196666.0 61.1196758.8 53.4196857.6 50.9196959.8 47.2197056.8 56.1197168.5 52.4197282.9 64.01973116.9103.61974139.4152.81975143.0147.41976134.8129.3

8、1977139.7132.81978167.6187.41979211.7242.91980271.2298.81981367.6367.71982413.8357.51983438.3421.81984580.5620.51985808.91257.819861082.11498.319871470.01614.219881766.72055.119891956.02199.919902985.82574.319913827.13398.719924676.34443.319935284.85986.2199410421.89960.1199512451.811048.1199612576.

9、411557.4199715160.711806.5199815223.611626.1199916159.813736.5200020634.418638.8200122024.420159.2200226947.924430.3200336287.934195.6200449103.346435.8200562648.154273.7200677594.663376.9200793455.673284.62008100394.9 79526.5run ;procgplot ;plot x*t= 1 y*t= 2 /overlay ;symbol1c=black i=join v= none ;symbol2c=red i=joinv= none w= 2 l = 2;run ;procarima data =example6_4;identifyvar=xstationarity=(adf=1);identifyvar=ystationarity=(adf=1 );run ;procarima ;identifyvar=y crrosscorr=x;estimatemethed=mlinput =x plot ;forecastlead = 0 id =tout =out;procaima data=out;ide