时间序列分析第二章-时间序列的预处理
1
应 用 时 间 序 列 分 析 实 验 报 告
实验名称 第二章 时间序列的预处理
一、上机练习
2。4。1绘制时序图
data example2_1；
input price1 price2;
time=intnx（'month',’01jul2004'd，_n_—1);
format time date。；
cards;
12.85 15。21
13.29 14.23
12。41 14。69
15.21 13.27
14.23 16.75
13.56 15。33
；
proc gplot data=example2_1;
plot price1*time=1 price2＊time=2/overlay;
symbol1 c=black v=star i=join；
symbol2 c=red v=circle i=spline；
run;
语句说明：
（1）“proc gplot data=example2_1；”是告诉系统,下面准备对临时数据集example2_1中的数据绘图。
（2）“plot price1＊time=1 price2*time=2/overlay;"是要求系统要绘制两条时序曲线。
（3）“symbol1 c=black v=star i=join；”，symbol语句是专门指令绘制的格式。
输出的时序图见下图： 时间序列分析第二章-时间序列的预处理
2
两时间序列重叠显示时序图
2。4。2 平稳性与纯随机性检验
1、平稳性检验
为了判断序列是否平稳，除了需要考虑时序图的性质，还需要对自相关图进行检验。SAS系统ARIMA过程中的IDENTIFY语句可以提供非常醒目的自相关图。
data example2_2;
input freq＠@;
year=intnx (’year’，’1jan1970’d，_n_-1）；
《时间序列分析》课程教学大纲
一、课程基本信息
开课单位 课程类别 专业方向课程
课程名称 时间序列分析 (Time Series Analysis ) 课程编码
开课对象 大三信息与计算科学专业学生 开课学期 5
学时/学分 总学时64、理论课学时48、实验课学时16/4
先修课程 线性代数、概率论与数理统计、随机过程
课程简介：
时间序列分析是推断统计学的一个重要分支，是利用随机数学的方法分析随时间变化的随机数据序列的统计规律性，其内容包括构建模型、参数估计及最佳预测与控制等。时间序列分析在经济学、社会科学领域以及自然科学领域均得到了十分广泛的应用。随着计算机技术的发展与普及，时间序列分析将日益发挥更加重要的作用。学好时间序列分析已成为对统计学专业本科生的基本要求，同时也将为学生后续的学习与实践打下重要的方法论基础。
二、课程教学目标
本课程的目的是使学生掌握时间序列分析的基本理论和方法，让学生借助计算机的存储功能和计算功能来抽象掉其深奥的数学理论和复杂的运算，通过建模练习来掌握时间序列分析的基本思路和方法。
第一，通过这门课程的学习，培养学生对分析方法的理解，使学生初步掌握分析随机数据序列的基本思路和方法。
第二，通过这门课程的学习，使得学生能够运用时间序列分析知识和理论去分析、解决实际问题。
第三，通过这门课程的学习，提高学生利用时间序列的基本思想来处理实际问题，为后续学习打下方法论基础。
三、教学学时分配
《时间序列分析》课程理论教学学时分配表
章次 主要内容 学时分配 教学方法或手段
第一章 时间序列分析简介 4 课堂讲授+多媒体
第二章 时间序列的预处理 4 课堂讲授+MOOC
第三章 平稳时间序列分析 10 课堂讲授+MOOC
第四章 非平稳序列的确定性分析 10 课堂讲授+多媒体
第五章 非平稳序列的随机分析 10 课堂讲授+多媒体
第六章 多元时间序列分析 10 课堂讲授+多媒体
时间序列分析-第二章-时间序列的预处理
2
应 用 时 间 序 列 分 析 实 验 报 告
实验名称 第二章 时间序列的预处理
一、上机练习
2.4.1绘制时序图
data example2_1;
input price1 price2;
time=intnx('month','01jul2004'd,_n_-1);
format time date.;
cards;
12.85 15.21
13.29 14.23
12.41 14.69
15.21 13.27
14.23 16.75
13.56 15.33
;
proc gplot data=example2_1;
plot price1*time=1
3 price2*time=2/overlay;
symbol1 c=black v=star i=join;
symbol2 c=red v=circle i=spline;
run;
语句说明：
（1）“proc gplot data=example2_1；”是告诉系统，下面准备对临时数据集example2_1中的数据绘图。
（2）“plot price1*time=1
price2*time=2/overlay;”是要求系统要绘制两条时序曲线。
（3）“symbol1 c=black v=star i=join;”，symbol语句是专门指令绘制的格式。
输出的时序图见下图：
4
两时间序列重叠显示时序图
2.4.2 平稳性与纯随机性检验
1、平稳性检验
为了判断序列是否平稳，除了需要考虑时序图的性质，还需要对自相关图进行检验。SAS系统ARIMA过程中的IDENTIFY语句可以提供非常醒目的自相关图。
data example2_2;
input freq@@;
year=intnx ('year','1jan1970'd,_n_-1);
应 用 时 间 序 列 分 析 实 验 报 告
实验名称 第三章 平稳时间序列分析
一、上机练习
data example3_1;
input x@@;
time=_n_;
cards;
;
proc gplot data=example3_1;
plot x*time=1;
symbol c=red i=join v=star;
run;
建立该数据集，绘制该序列时序图得：
根据所得图像，对序列进行平稳性检验。时序图就是一个平面二维坐标图，通常横轴表示时间，纵轴表示序列取值。时序图可以直观地帮助我们掌握时间序列的一些基本分布特征。
根据平稳时间序列均值、方差为常数的性质，平稳序列的时序图应该显示出该序列始终在一个常数值附近随机波动，而且波动的范围有界的特点。如果观察序列的时序图，显示出该序列有明显的趋势性或周期性，那它通常不是平稳序列。从图上可以看出，数值围绕在0附近随机波动，没有明显或周期，其本可以视为平稳序列，时序图显示该序列波动平稳。
proc arima data=example3_1;
identify var=x nlag=8;
run;
图一
图二 样本自相关图
图三 样本逆自相关图
图四 样本偏自相关图
图五 纯随机检验图
实验结果分析：
（1）由图一我们可以知道序列样本的序列均值为，标准差为，观察值个数为84个。
（2）根据图二序列样本的自相关图我们可以知道该图横轴表示自相关系数，综轴表示延迟时期数，用水平方向的垂线表示自相关系数的大小。我们发现样本自相关图延迟3阶之后，自相关系数都落入2倍标准差范围以内，而且自相关系数向衰减的速度非常快，延迟5阶之后自相关系数即在值附近波动。这是一个短期相关的样本自相关图。所以根据样本自相关图的相关性质，可以认为该序列平稳。 （3）根据图五的检验结果我们知道，在各阶延迟下LB检验统计量的P值都非常小（<），所以我们可以以很大的把握（置信水平>%）断定该序列样本属于非白噪声序列。
