sas系统和数据分析非平稳序列的随机分析(编辑修改稿)

sas系统和数据分析非平稳序列的随机分析(编辑修改稿)内容摘要：

性。 为了便于比较，我们将原始时间序列和消除增幅后的时间序列按 12 个时间单位的间隔绘制在一张图表上。 程序如下： data arimad02。 set arimad01。 xlog=log(x)。 proc print data=arimad02。 run。 proc gplot data=arimad02。 plot xlog*date / vaxis=axis1 haxis=axis2 href=39。 31dec194939。 d to 39。 1jan6139。 d by year。 plot2 x*date /vaxis=axis3 vref=100。 symbol1 i=join v=c h=3 l=1 r=1 font=swissb c=green。 symbol2 i=join v=c h=3 l=1 r=1 font=swissb c=blue。 axis1 label=(39。 Log39。 ) order=( to by ) offset=(0,45)。 axis2 label=(39。 12 Month39。 ) order=(39。 1jan4939。 d to 39。 1jan6139。 d by year)。 axis3 label=(39。 Passenger39。 ) order=(100 to 650 by 50) offset=(23,0)。 format date monyy.。 title1 39。 Time Serial Log Chart39。 run。 提交 程序 运行后，结果 如 图 所示。 9f7f455e131c908d9235459d28b49e0b 商务数据分析 电 子商务系列 上海财经大学经济信息管理系 IS/SHUFE Page 9 of 49 （ 2） 取两次差分消除季节增长趋势 从图 ，对原始时间序列取对数变换后的新序列，明显呈现季节性的增长的趋势，仔细分析每 12个单位的周期 后发现 还有增长趋势。 所以 ， 需要对这个新序列数据再进行滞后一次和滞后 12次共两次差分 ， 最终转换为平稳序列。 同样为了便于比较，我们仍然在一张图上绘制转换前的时间序列和转换后的最终的平稳时间序列。 程序如下： data arimad03。 set arimad02。 dif12=dif1(xlog)(lag1(xlog)lag12(xlog))。 run。 proc print data=arimad03。 run。 proc gplot data=arimad03。 plot xlog*date /vaxis=axis1 haxis=axis2 href=39。 31dec194939。 d to 39。 1jan6139。 d by year。 plot2 dif12*date /vaxis=axis3 vref=1。 symbol1 i=join v=c h=3 l=1 r=1 font=swissb c=green。 symbol2 i=join v=c h=3 l=1 r=1 font=swissb c=blue。 axis1 label=(39。 Log39。 ) order=( to by ) offset=(0,45)。 axis2 label=(39。 12 Month39。 ) order=(39。 1jan4939。 d to 39。 1jan6139。 d by year)。 axis3 label=(39。 Dif11239。 ) order=(1 to 1 by ) offset=(23,0)。 format date monyy.。 title1 39。 Time Serial Dif Chart39。 run。 图 对原始数据序列取对数以消除变大的季节震幅 9f7f455e131c908d9235459d28b49e0b 商务数据分析 电 子商务系列 上海财经大学经济信息管理系 IS/SHUFE Page 10 of 49 提交 程序 运行后，结果 如 图 所示。 4. 检验待选的时间序列模型的自相关函数 对需要转换为平稳时间序列的数据，如果最终是要用差分的方法来转换，通常可直接调用 PROC ARIMA过程的 identify 语句来实现对指定变量 xlog所选差分的时滞数（如 1 和 12）的检验。 程序如下： proc arima data=arimad02。 identify var=xlog(1,12) nlag=15。 run。 提交 程序 运行后，结果 如 表 所示。 表 自相关图、逆自相关图、偏自相关图和白噪声检验 图 对时间序列取两次差分以消除季节增长趋势 9f7f455e131c908d9235459d28b49e0b 商务数据分析 电 子商务系列 上海财经大学经济信息管理系 IS/SHUFE Page 11 of 49 从表 的 ACF 图中，我们认为自相关系数在延迟 1阶后都落入 2倍标准差内，然后在ARIMA Procedure Name of variable = XLOG. Period(s) of Differencing = 1,12. Mean of working series = Standard deviation = Number of observations = 131 NOTE: The first 13 observations were eliminated by differencing. Autocorrelations Lag Covariance Correlation 1 9 8 7 6 5 4 3 2 1 0 1 2 3 4 5 6 7 8 9 1 Std 0 | |********************| 0 1 | ********| . | 2 | . |* . | 3 | .***| . | 4 | . |* . | 5 | . *| . | 6 | . |***. | 7 | . **| . | 8 | . | . | 9 | . |** . | 10 | . *| . | 11 | . |* . | 12 | ******| . | 13 | . |***. | 14 | . *| . | 15 | . |*** . | . marks two standard errors Inverse Autocorrelations Lag Correlation 1 9 8 7 6 5 4 3 2 1 0 1 2 3 4 5 6 7 8 9 1 1 | . |********** | 2 | . |***** | 3 | . |**. | 4 | . | . | 5 | .**| . | 6 | ****| . | 7 | . *| . | 8 | . *| . | 9 | . | . | 10 | . |**. | 11 | . |**** | 12 | . |****** | 13 | . |*** | 14 | . |* . | 15 | . | . | ARIMA Procedure Partial Autocorrelations Lag Correlation 1 9 8 7 6 5 4 3 2 1 0 1 2 3 4 5 6 7 8 9 1 1 | ********| . | 2 | .**| . | 3 | ****| . | 9f7f455e131c908d9235459d28b49e0b。