时间序列分析实验4-非平稳序列的确定性分析课件

第四章总结时序确定性因素的分解：长期趋势波动、季节性变化、随机波动趋势分析及其SAS过程趋势拟合法：线性、非线性平滑法：移动平均、指数平滑季节效应分析：计算季节指数综合分析：理解分析思路，掌握分析步骤以及SAS过程X－11过程：了解其原理、SAS过程和SAS结果的分析。第四章总结时序确定性因素的分解：长期趋势波动、季节性变化、趋势分析目的有些时间序列具有非常显著的趋势，我们分析的目的就是要找到序列中的这种趋势，并利用这种趋势对序列的发展作出合理的预测

常用方法趋势拟合法平滑法趋势分析目的趋势拟合法趋势拟合法就是把时间作为自变量，相应的序列观察值作为因变量，建立序列值随时间变化的回归模型的方法

分类线性拟合非线性拟合（曲线拟合）趋势拟合法趋势拟合法就是把时间作为自变量，相应的序列观察值作线性拟合使用场合长期趋势呈现出线性特征模型结构线性拟合使用场合例4.1:拟合澳大利亚政府1981——1990年每季度的消费支出序列

例4.1:拟合澳大利亚政府1981——1990年每季度的消费线性拟合模型参数估计方法最小二乘估计参数估计值线性拟合模型线性拟合的SAS过程dataa;inputgov_cons@@;time=intnx('quarter','1jan1981'd,_n_-1);formattimeyear2.;t=_n_;cards;原始数据;procgplot;plotgov_cons*time=1;symbol1c=blackv=stari=join;线性拟合的SAS过程dataa;线性拟合的SAS过程procautoreg;/*自回归过程*/或者procreg;/*回归过程*/

modelgov_cons=t;outputout=outp=forecast;procgplotdata=out;plotgov_cons*time=1forecast*time=2/overlayhaxis='1jan1981'dto'1jan1991'dbyyear;symbol2c=redv=nonei=joinw=2l=3;run;线性拟合的SAS过程procautoreg;/*自回归过程线性拟合模型结果(autoreg过程)线性拟合模型结果(autoreg过程)线性拟合模型结果(reg过程)线性拟合模型结果(reg过程)拟合效果图拟合效果图非线性拟合使用场合长期趋势呈现出非线性特征

参数估计指导思想能转换成线性模型的都转换成线性模型，用线性最小二乘法进行参数估计实在不能转换成线性的，就用迭代法进行参数估计

非线性拟合使用场合常用非线性模型模型变换变换后模型参数估计方法线性最小二乘估计线性最小二乘估计－－迭代法－－迭代法－－迭代法常用非线性模型模型变换变换后模型参数估计方法线性最小二乘估计例4.2：对上海证券交易所1991年1月-2001年10月每月末上证指数序列进行模型拟合

例4.2：对上海证券交易所1991年1月-2001年10月非线性拟合模型变换参数估计方法线性最小二乘估计拟合模型口径非线性拟合模型dataa;inputindex@@;time=intnx('month','1jan1991'd,_n_-1);formattimeyear2.;t=_n_;cards;原始数据;t2=t**2;dataa;t2=t**2;procgplot;plotindex*time=1;symbol1c=blackv=nonei=join;procreg;modelindex=tt2;modelindex=t2;outputout=outp=index_cup;procgplotdata=out;plotindex*time=1index_cup*time=2/overlay;symbol2c=redv=nonei=joinw=2l=3;run;procgplot;非线性拟合模型SAS结果非线性拟合模型SAS结果非线性拟合模型SAS结果非线性拟合模型SAS结果拟合效果图拟合效果图综合分析常用综合分析模型加法模型乘法模型混合模型综合分析常用综合分析模型例4.7对1993年——2000年中国社会消费品零售总额序列（数据见附录1.11）进行确定性时序分析。例4.7对1993年——2000年中国社会消费品零售总额序列例4.7的SAS过程dataa;inputx@@;t=intnx('month','1jan1993'd,_n_-1);formattyear4.;cards;原始数据;procgplot;plotx*t;symbolc=redi=joinv=star;run;

对原始数据集a画时序图，对应书4-6图例4.7的SAS过程dataa;对原始数据集a画时序图，对例4.7的SAS过程databb;inputxx@@;t=intnx('month','1jan1993'd,_n_-1);formattyear4.;cards;剔除季节效应后的数据;procgplotdata=bb;plotxx*t;symbolc=blacki=nonev=star;run;

对消除季节效应后的数据集bb画图，对应书4-8图例4.7的SAS过程databb;对消除季节效应后的数据例4.7的SAS过程Datab;setbb(keep=xx);t=_n_;procreg;modelxx=t;outputout=outp=xxx;procprintdata=out;run;procgplotdata=out;plotxx*t=1xxx*t=2/overlay;symbol2c=redv=nonei=join;run;

线性趋势拟合后的效果图，对应书4-9图对数据集b进行趋势拟合例4.7的SAS过程Datab;线性趋势拟合后的效果图，对例4.7的SAS过程datac;setout;r=xx-xxx;procprint;run;procgplotdata=c;plotr*t;run;

画残差序列图，对应书4-10图创建残差数据集c例4.7的SAS过程datac;画残差序列图，对应书4-1X-11过程简介X-11过程是美国国情调查局编制的时间序列季节调整过程。它的基本原理就是时间序列的确定性因素分解方法

因素分解长期趋势起伏季节波动不规则波动交易日影响模型加法模型乘法模型X-11过程简介例4.7的SAS过程对1993年——2000年中国社会消费品零售总额序列使用X-11过程进行季节调整

选择模型（无交易日影响）例4.7的SAS过程对1993年——2000年中国社会消费品X-11的SAS过程dataa;inputx@@;t=intnx('month','1jan1993'd,_n_-1);formattyear4.;cards;原始数据;X-11的SAS过程dataa;X-11的SAS过程procx11data=a;monthlydate=t;varx;outputout=outb1=xd10=seasond11=adjustedd12=trendd13=irr;procgplotdata=out;plotx*t=1

season*t=2adjusted*t=2trend*t=2irr*t=2/overlay;symbol1c=blacki=joinv=star;symbol2c=redi=joinv=nonew=2;run;X-11的SAS过程procx11data=a;X-11的SAS过程语句说明：procx11data=a;

：对数据集a的数据进行X-11分析；monthlydate=t;：告诉系统这是月度数据(如是季度数据就记作quarterly)，变量t为时间变量名；varx;：进行季节调整的变量为x；

outputout=outb1=xd10=seasond11=adjustedd12=trendd13=irr;：输出部分结果到临时数据集OUT，要求的输出结果是：X-11的SAS过程语句说明：procx11data=aX-11的SAS过程outputout=outb1=xd10=seasond11=adjustedd12=trendd13=irr;：输出部分结果到临时数据集OUT，要求的输出结果是：1、原始序列值x（表b1的数值）；2、季节指数（或称为季节因子）season（表d10的数据）；3、季节调整后的序列值adjusted（表d11的数据）；4、趋势拟合值trend（表d12的数据）；5、不规则波动值irr（表d13的数据）。X-11的SAS过程outputout=outb1=

第四章总结时序确定性因素的分解：长期趋势波动、季节性变化、随机波动趋势分析及其SAS过程趋势拟合法：线性、非线性平滑法：移动平均、指数平滑季节效应分析：计算季节指数综合分析：理解分析思路，掌握分析步骤以及SAS过程X－11过程：了解其原理、SAS过程和SAS结果的分析。第四章总结时序确定性因素的分解：长期趋势波动、季节性变化、趋势分析目的有些时间序列具有非常显著的趋势，我们分析的目的就是要找到序列中的这种趋势，并利用这种趋势对序列的发展作出合理的预测

常用方法趋势拟合法平滑法趋势分析目的趋势拟合法趋势拟合法就是把时间作为自变量，相应的序列观察值作为因变量，建立序列值随时间变化的回归模型的方法

分类线性拟合非线性拟合（曲线拟合）趋势拟合法趋势拟合法就是把时间作为自变量，相应的序列观察值作线性拟合使用场合长期趋势呈现出线性特征模型结构线性拟合使用场合例4.1:拟合澳大利亚政府1981——1990年每季度的消费支出序列

例4.1:拟合澳大利亚政府1981——1990年每季度的消费线性拟合模型参数估计方法最小二乘估计参数估计值线性拟合模型线性拟合的SAS过程dataa;inputgov_cons@@;time=intnx('quarter','1jan1981'd,_n_-1);formattimeyear2.;t=_n_;cards;原始数据;procgplot;plotgov_cons*time=1;symbol1c=blackv=stari=join;线性拟合的SAS过程dataa;线性拟合的SAS过程procautoreg;/*自回归过程*/或者procreg;/*回归过程*/

modelgov_cons=t;outputout=outp=forecast;procgplotdata=out;plotgov_cons*time=1forecast*time=2/overlayhaxis='1jan1981'dto'1jan1991'dbyyear;symbol2c=redv=nonei=joinw=2l=3;run;线性拟合的SAS过程procautoreg;/*自回归过程线性拟合模型结果(autoreg过程)线性拟合模型结果(autoreg过程)线性拟合模型结果(reg过程)线性拟合模型结果(reg过程)拟合效果图拟合效果图非线性拟合使用场合长期趋势呈现出非线性特征

参数估计指导思想能转换成线性模型的都转换成线性模型，用线性最小二乘法进行参数估计实在不能转换成线性的，就用迭代法进行参数估计

非线性拟合使用场合常用非线性模型模型变换变换后模型参数估计方法线性最小二乘估计线性最小二乘估计－－迭代法－－迭代法－－迭代法常用非线性模型模型变换变换后模型参数估计方法线性最小二乘估计例4.2：对上海证券交易所1991年1月-2001年10月每月末上证指数序列进行模型拟合

例4.2：对上海证券交易所1991年1月-2001年10月非线性拟合模型变换参数估计方法线性最小二乘估计拟合模型口径非线性拟合模型dataa;inputindex@@;time=intnx('month','1jan1991'd,_n_-1);formattimeyear2.;t=_n_;cards;原始数据;t2=t**2;dataa;t2=t**2;procgplot;plotindex*time=1;symbol1c=blackv=nonei=join;procreg;modelindex=tt2;modelindex=t2;outputout=outp=index_cup;procgplotdata=out;plotindex*time=1index_cup*time=2/overlay;symbol2c=redv=nonei=joinw=2l=3;run;procgplot;非线性拟合模型SAS结果非线性拟合模型SAS结果非线性拟合模型SAS结果非线性拟合模型SAS结果拟合效果图拟合效果图综合分析常用综合分析模型加法模型乘法模型混合模型综合分析常用综合分析模型例4.7对1993年——2000年中国社会消费品零售总额序列（数据见附录1.11）进行确定性时序分析。例4.7对1993年——2000年中国社会消费品零售总额序列例4.7的SAS过程dataa;inputx@@;t=intnx('month','1jan1993'd,_n_-1);formattyear4.;cards;原始数据;procgplot;plotx*t;symbolc=redi=joinv=star;run;

对原始数据集a画时序图，对应书4-6图例4.7的SAS过程dataa;对原始数据集a画时序图，对例4.7的SAS过程databb;inputxx@@;t=intnx('month','1jan1993'd,_n_-1);formattyear4.;cards;剔除季节效应后的数据;procgplotdata=bb;plotxx*t;symbolc=blacki=nonev=star;run;

对消除季节效应后的数据集bb画图，对应书4-8图例4.7的SAS过程databb;对消除季节效应后的数据例4.7的SAS过程Datab;setbb(keep=xx);t=_n_;procreg;modelxx=t;outputout=outp=xxx;procprintdata=out;run;procgplotdata=out;plotxx*t=1xxx*t=2/overlay;symbol2c=redv=nonei=join;run;

线性趋势拟合后的效果图，对应书4-9图对数据集b进行趋势拟合例4.7的SAS过程Datab;线性趋势拟合后的效果图，对例4.7的SAS过程datac;setout;r=xx-xxx;procprint;run;procgplotdata=c;plotr*t;run;

画残差序列图，对应书4-10图创建残差数据集c例4.7的SAS过程datac;画残差序列图，对应书4-1X-11过程简介X-11过程是美国国情调查局编制的时间序列季节调整过程。它的基本原理就是时间序列的确定性因素分解方法

因素分解长期趋势起伏季节波动不规则波动交易日影响模型加法模型乘法模型X-11过程简介例4.7的SAS过程对1993年——2000年中国社会消费品零售总额序列使用X-11过程进行季节调整

选择模型（无交易日影响）例4.7的SAS过程对1993年——2000年中国社会消费品X-11的SAS过程dataa;inputx@@;t=intnx('month','1jan1993'd,_n_-1);formattyear4.;cards;原始数据;X-11的SAS过程dataa;X-11的SAS过程procx11data=a;monthlydate=t;var