时序实验六 传递函数 4732

1、实验项目六：干预分析实验时间：2010年6月16日10点至12点实验报告人： 4732一、实验目的熟悉传递函数模型的建模方法二、预备知识熟练掌握互相关函数特征。三、实验内容传递函数模型的建模四、实验仪器与材料(或软硬件环境) SAS软件五、实验程序或步骤 1、开机进入SAS系统。2、建立名为exp6的SAS数据集，输入如下程序：data exp6; input x y; t=_n_; cards;10.01200.1 10.07199.5 10.32199.4 9.75 198.9 10.33199 10.13200.2 10.36198.6 10.32200 10.13200.3 10.16

2、201.2 10.58201.6 10.62201.5 10.86201.5 11.2 203.5 10.74204.9 10.56207.1 10.48210.5 10.77210.5 11.33209.8 10.96208.8 11.16209.5 11.7 213.2 11.39 213.7 11.42215.1 11.94218.7 11.24219.8 11.59220.5 10.96223.8 11.4 222.8 11.02223.8 11.01221.7 11.23222.3 11.33220.8 10.83219.4 10.84220.1 11.14220.6 10.3821

3、8.9 10.9 217.8 11.05217.7 11.11215 11.01215.3 11.22215.9 11.21216.7 11.91216.7 11.69217.7 10.93218.7 10.99222.9 11.01224.9 10.84222.2 10.76220.7 10.77220 10.88218.7 10.49217 10.5 215.9 11 215.8 10.98214.1 10.61212.3 10.48213.9 10.53214.6 11.07213.6 10.61212.1 10.86211.4 10.34213.1 10.78212.9 10.8 21

4、3.3 10.33211.5 10.44212.3 10.5 213 10.75211 10.4 210.7 10.4210.1 10.34211.4 10.55210 10.46209.7 10.82208.8 10.91208.8 10.87208.8 10.67210.6 11.11211.9 10.88212.8 11.28212.5 11.27214.8 11.44215.3 11.52217.5 12.1 218.8 11.83220.7 12.62222.2 12.41226.7 12.43228.4 12.73233.2 13.01235.7 12.74237.1 12.732

5、40.6 12.76243.8 12.92245.3 12.64246 12.79246.3 13.05247.7 12.69247.6 13.01247.8 12.9249.4 13.12249 12.47249.9 12.47250.5 12.49251.5 13.1249 12.91247.6 13.39248.8 13.13250.4 13.34250.7 13.34253 13.14253.7 13.49255 13.87256.2 13.39256 13.59257.4 13.27260.4 13.7 260 13.2 261.3 13.32260.4 13.15261.6 13.

6、3 260.8 12.94259.8 13.29259 13.26258.9 13.08257.4 13.24257.7 13.31257.9 13.52257.4 13.02257.3 13.25257.6 13.12258.9 13.26257.8 13.11257.7 13.3 257.2 13.06257.5 13.32256.8 13.1 257.5 13.27257 13.64257.6 13.58257.3 13.87257.5 13.53259.6 13.41261.1 13.25262.9 13.5263.3 13.58262.8 13.51261.8 13.77262.2

7、13.4 262.7; run;保存上述程序，供以后分析使。4、绘序列图，输入如下程序： proc gplot data=exp6; symbol1 i=spline c=red; symbol2 i=spline c=green; plot x*t=1 y*t=2; run;5、提交程序，仔细观察两序列图形，发现x、y两个图形的变化趋势差不多，说明x的变化对y有显著影响：6、先观察和的相关情况，看是否要做差分，输入如下程序： proc arima data=exp6; identify var=y crosscorr=(x) nlag=12; run;7、提交程序，观察的自相关和互相关系数：

8、发现样本持续很大，而且衰减得很慢，要做一阶差分运算。8、 对和做一阶差分，输入程序如下：identify var=x(1) nlag=24;run;identify var=y(1) nlag=24;run;提交程序，观察的自相关和偏相关系数，发现是平稳序列。9、识别序列, 输入如下程序： proc arima data=exp6;identify var=x(1) nlag=12;run;10、观察的自相关和偏相关系数，可以看到自相关系数是1步截尾的：11、对拟合MA(1)模型，看是否充分，输入如下程序：estimate q=1 plot;run;12、提交程序，观察输出结果，可看到模型虽然

9、通过白噪声检验，但常数项不能通过t检验：13、拟合没有常数项的MA(1)模型，输入程序： estimate q=1 noconstant plot;run;14、提交程序，观察输出结果，可看到模型通过了t检验和白噪声检验：说明拟合效果不错，把拟合的方程式写出来：xt=(1-0.44233B)* at15、观察预白噪声化后的两序列的互相关系数，输入如下程序： identify var=y(1) crosscorr=(x(1) nlag=12; run;16、提交程序，观察样本自相关系数和偏相关系数和互相关系数：由传递性质可知：b=3，r=1，b+s-r+1=3，因而s=0。我们可以初步识别传递函

10、数模型为（0，1，3），即：17、进行参数估计，并查看残差的相关情况，输入如下程序： estimate input=(3$/(1)x) plot; run;18、提交程序，观察输出结果，可以看到残差的自相关系数和偏相关系数都是1步截尾的：那么模型可初步识别为MA(1)模型或AR(1)模型 19、分别估计这两个模型，输入如下程序：estimate p=1 input=(3$/(1)x) plot;run; estimate q=1 input=(3$/(1)x) plot;run;20、提交程序，观察输出结果，发现两个模型的常数项均没通过t检验：21、对两个模型分别进行没有常数项的估计，输入如下

11、程序： estimate p=1 noconstant input=(3$/(1)x) plot;run; estimate q=1 noconstant input=(3$/(1)x) plot;run;22、提交程序，观察输出结果：由上面的输出结果看出，所有参数都显著，且残差都能通过Ljung-Box的卡方白噪声检验。23、利用AIC和SBC信息准则来确定模型, AIC和SBC值下表：表1 模型的信息准则值信息准则MA（1）AR（1）AIC83.6037485.34945SBC92.5339494.27965结果发现MA (1)模型的AIC比模型AR(1)的AIC小，且模型的SBC也比模型AR(1)的小，因此我们选择MA (1)模型作为我们的结果。那么模型可识别为MA(1)模型24、结合上面模型拟合和参数估计的输出结果，可知MA(1)模型拟合