时间序列分析报告

时间序列分析汇报

一．模型变量的选择和数据的出处汇报内的数据是1978年到的浙江地区生产总值的原始数据。该数据来源于中华人民共和国国家记录局官网：（）年份浙江地区生产总值1978123.721979157.751980179.921981204.861982234.011983257.091984323.251985429.161986502.471987606.991988770.251989849.441990904.6919911089.3319921375.719931925.9119942689.2819953557.5519964188.5319974686.1119985052.6219995443.926141.036898.348003.679705.0211648.713417.6815718.4718753.7321462.6922990.3527722.3132318.8534665.3337756.5940153.5二．将数据输入SAS程序datasas1;inputyearx;cards;1978123.721979157.751980179.921981204.861982234.011983257.091984323.251985429.161986502.471987606.991988770.251989849.441990904.6919911089.3319921375.719931925.9119942689.2819953557.5519964188.5319974686.1119985052.6219995443.926141.036898.348003.679705.0211648.713417.6815718.4718753.7321462.6922990.3527722.3132318.8534665.3337756.5940153.5;run;procprintdata=sas1;run;如图所示：三．对数据的平稳性和非白噪声性进行检查1.平稳性检查procgplotdata=sas1;plotx*year;symbolc=bluei=joinv=star;run;如图所示：由图可知，该组序列展现的是明显的指数上升趋势，因此要对该组数据进行对数处理。2.对数据进行对数处理datasas1;inputx@@;y=log(x);year=intnx('year','1jan1978'd,_n_-1);formatyearyear4.;cards;123.72157.75179.92204.86234.01257.09323.25429.16502.47606.99770.25849.44904.691089.331375.71925.912689.283557.554188.534686.115052.625443.926141.036898.348003.679705.0211648.713417.6815718.4718753.7321462.6922990.3527722.3132318.8534665.3337756.5940153.5;run;procprintdata=sas1;run;如图所示：3.对数处理之后数据的平稳性检查procgplotdata=sas1;ploty*year;symbolc=bluei=joinv=star;run;如图所示：由图可知，该序列通过对数处理之后仍然是不平稳的序列，因此接下来要进行一阶差分处理。4.对数据进行一阶差分datasas1;setsas1;z=dif(y);procgplotdata=sas1;plotz*year;symbolc=bluev=stari=join;run;如图所示：由图可知，该序列进行一次差分处理之后，数据展现波动趋势，我们粗略的认为该序列处在平稳状态。5.进行非白噪声检查procarimadata=sas1;identifyvar=z;run;如图所示：自有关图：由图可知，自有关系数从延迟一阶后就进入了两倍原则差的范围之内，并且自有关系数衰减速度迅速，是截尾的，由此可判断该序列是MR（1）模型，并且是处在平稳状态。逆自有关图和偏自有关图：由图可知，偏自有关系数从延迟一阶后就进入了两倍原则差的范围之内，并且偏自有关系数衰减速度迅速，是截尾的，由此可判断该序列是AR（1）模型。纯随机性检查成果：由图可知，在明显性水平下，延迟6阶后的检查P值都比α小，因此拒绝原假设,认为序列为非白噪声序列。因此我们认为一阶差分后的时间序列是平稳非白噪声序列。四．ARMA模型的识别和定阶1.模型的识别procarimadata=sas1;identifyvar=znlag=12;run;如图所示：自有关图：由图可知，自有关系数在延迟一阶后就所有落入两倍原则差区域以内，并且非零值衰减的过程非常忽然，因此我们认为自有关系数截尾，且是MR（1）模型。逆自有关图和偏自有关图：由图可知，偏自有关系数在延迟一阶后就所有落入两倍原则差以内，并且非零值衰减为小值的过程非常忽然，因此我们认为偏自有关系数截尾，且是AR（1）模型。纯随机性检查成果：由图可知，在明显性水平下，延迟6阶和延迟12阶后的检查P值都比α小，因此拒绝原假设，序列为非白噪声序列。因此我们认为该序列是平稳非白噪声序列。2.模型的优化procarimadata=sas1;identifyvar=zminicp=(0:5)q=(0:5);run;如图所示：由图可知，模型优化为ARMA（1，5）模型，但该模型与前面通过自有关图和偏自有关图所判断的模型不一样，因此比较上图中MR（1）和AR（1）的信息量大小，MR（1）信息量为-5.74307，AR（1）信息量为-5.79628，因此我们最终定为AR（1）模型。因此，我们选择AR（1）模型拟合原序列。五．模型参数的估计procarimadata=sas1;identifyvar=z;estimatep=1method=ml;run;如图所示：由图可知，在明显性水平下，所有被估计参数的检查值P值都不不小于0.05，因此拒绝原假设，认为未知参数明显。由图可知，在明显性水平下,延迟6，12，18，24期的检查值P值都不小于0.05，因此认为残差序列为白噪声序列，并且模型拟合良好。拟合模型的体现式如下：六．模型的预测（未来五期）procarimadata=sas1;identifyvar=z;estimatep=1method=ml;forecastlead=5id=yearout=sas1;run;模型的预测是一阶差