佛山科学技术学院
应用时间序列分析实验报告
实验名称第五章非平稳序列的随机分析
一、上机练习
通过第4章我们学习了非平稳序列的确定性因素分解方法，但随着研究方法的深入和研究领域的拓宽，我们发现确定性因素分解方法不能很充分的提取确定性信息以及无法提供明确有效的方法判断各因素之间确切的作用关系。第5章所介绍的随机性分析方法弥补了确定性因素分解方法的不足，为我们提供了更加丰富、更加精确的时序分析工具。
5.8.1 拟合ARIMA模型
【程序】
data example5_1;
input x@@;
difx=dif(x);
t=_n_;
cards;
1.05 -0.84 -1.42 0.20
2.81 6.72 5.40 4.38
5.52 4.46 2.89 -0.43 -4.86 -8.54 -11.54 -1
6.22
-19.41 -21.61 -22.51 -23.51 -24.49 -25.54 -24.06 -23.44
-23.41 -24.17 -21.58 -19.00 -14.14 -12.69 -9.48 -10.29
-9.88 -8.33 -4.67 -2.97 -2.91 -1.86 -1.91 -0.80
;
proc gplot;
plot x*t difx*t;
symbol v=star c=black i=join;
proc arima;
identify var=x(1);
estimate p=1;
estimate p=1 noint;
forecast lead=5id=t out=out;
proc gplot data=out;
plot x*t=1 forecast*t=2 l95*t=3 u95*t=3/overlay;
symbol1c=black i=none v=star;
symbol2c=red i=join v=none;
symbol3c=green I=join v=none;
2、序列difx时序图：如图1-2所示，时序图显示差分后序列difx没有明显的非平稳特征。
<拒绝原假设，1阶差分后序列difx为平稳非3、序列difx白噪声检验：图1-3所示，由结果可知Pα
5.8.2 拟合Auto-Regressive模型
【程序】
data example5_2;
input x@@;
lagx=lag(x);
t=_n_;
cards;
3.03 8.46 10.22 9.80 11.96 2.83
8.43 13.77 16.18 16.84 19.57 13.26
14.78 24.48 28.16 28.27 32.62 18.44
25.25 38.36 43.70 44.46 50.66 33.01
39.97 60.17 68.12 68.84 78.15 49.84
62.23 91.49 103.20 104.53 118.18 77.88
94.75 138.36 155.68 157.46 177.69 117.15
;
proc gplot data=example5_2;
plot x*t=1;
symbol1c=black i=join v=star;
run;
proc autoreg data=example5_2;
model x=t/ dwprob;
proc autoreg data=example5_2; model x=t/nlag=5backstep method=ml; output out=out p=xp pm=trend;
proc autoreg data=example5_2; model x=t/nlag=5backstep method=ml noint; output out=out p=xp pm=trend; proc gplot data=out; plot x*t=2 xp*t=3 trend*t=4 / overlay ; symbol2v=star i=none c=black; symbol3v=none i=join c=red w=2l=3; symbol4v=none i=join c=green w=2;
run;
proc autoreg data=example5_2; model x=lagx/lagdep=lagx;
model x=lagx/lagdep=lagx noint;
output out=out p=xp; proc gplot data=out; plot x*t=2 xp*t=3 / overlay;
symbol2v=star i=none c=black; symbol3v=none i=join c=red w=2l=3;
run;
、因变量关于时间的回归模型：
、延迟因变量回归模型
拟合GARCH模型
11
