基于SAS美國國民生產(chǎn)總值的季度數(shù)據(jù)研究

1、基于SAS分析美國國民生產(chǎn)總值的季度數(shù)據(jù)研究一、目的：學(xué)習(xí)時間序列數(shù)據(jù)分析技巧，了解ARIMA模型。二、內(nèi)容：47年1季度到96年3季度美國國民生產(chǎn)總值的季度數(shù)據(jù)。三、要求：寫出分析報告。四、軟件：SAS系統(tǒng)。一般流程：1） 平穩(wěn)性檢驗方法：時序圖、自相關(guān)系數(shù)和自相關(guān)圖檢驗、單位根檢驗2） 模型識別方法：利用自相關(guān)系數(shù)、偏相關(guān)系數(shù)圖進(jìn)行模型識別； 計算擴(kuò)展的樣本自相關(guān)函數(shù)并利用其估計值進(jìn)行模型識別； 利用最小信息準(zhǔn)則進(jìn)行模型識別； 利用典型相關(guān)系數(shù)平方估計值進(jìn)行模型識別；注： ACF圖和PACF圖的模型識別自相關(guān)系數(shù)圖（ACF圖）偏相關(guān)系數(shù)圖（PACF圖）模型識別結(jié)果q階截尾拖尾MA(q)拖尾

2、P階截尾AR(p)拖尾拖尾ARMA3） 模型的參數(shù)估計及檢驗檢驗擬合性、參數(shù)估計顯著性、殘差項無自相關(guān)性（殘差項白噪聲檢驗）4） 模型的預(yù)測例題實驗步驟：1） 建立數(shù)據(jù)集data exp3; input gnp; date=intnx('qtr','1jan47'd,_n_-1); format date yyqc.; cards;227.8 231.7 236.1 246.3 252.6 259.9 266.8 268.1 263.0 259.5 261.2 258.9 269.6 279.3 296.9 308.4 323.2 331.1 337.9 342

3、.3 345.3 345.9 351.7 364.2 371.0 374.5 373.7 368.7 368.4 368.7 373.4 381.9 394.8 403.1 411.4 417.8 420.5 426.0 430.8 439.2 448.1 450.1 457.2 451.7 444.4 448.6 461.8 475.0 499.0 512.0 512.5 516.9 530.3 529.2 532.2 527.3 531.8 542.4 553.2 566.3 579.0 586.9 594.1 597.7 606.8 615.3 628.2 637.5 654.5 663

4、.4 674.3 679.9 701.2 713.9 730.4 752.6 775.6 785.2 798.6 812.5 822.2 828.2 844.7 861.2 886.5 910.8 926.0 943.6 966.3 979.9 999.3 1008.0 1020.3 1035.7 1053.8 1058.4 1104.2 1124.9 1144.4 1158.8 1198.5 1231.8 1256.7 1297.0 1347.9 1379.4 1404.4 1449.7 1463.9 1496.8 1526.4 1563.2 1571.3 1608.3 1670.6 172

5、5.3 1783.5 1814.0 1847.9 1899.0 1954.5 2026.4 2088.7 2120.4 2166.8 2293.7 2356.2 2437.0 2491.4 2552.9 2629.7 2687.5 2761.7 2756.1 2818.8 2941.5 3076.6 3105.4 3197.7 3222.8 3221.0 3270.3 3287.8 3323.8 3388.2 3501.0 3596.8 3700.3 3824.4 3911.3 3975.6 4022.7 4100.4 4158.7 4238.8 4306.2 4376.6 4399.4 44

6、55.8 4508.5 4573.1 4655.5 4731.4 4845.2 4914.5 5013.7 5105.3 5217.1 5329.2 5423.9 5501.3 5557.0 5681.4 5767.8 5796.8 5813.6 5849.0 5904.5 5959.4 6016.6 6138.3 6212.2 6281.1 6390.5 6458.4 6512.3 6584.8 6684.5 6773.6 6876.3 6977.6 7062.2 7140.5 7202.4 7293.4 7344.3 7426.6 7537.5 7593.6;run;注：Intnx函數(shù)按間

7、隔遞增日期，Intnx函數(shù)計算某個區(qū)間經(jīng)過若干區(qū)間間 隔之后的間隔的開始日期或日期時間值，其中開始間隔內(nèi)的一個日期或 日期時間值給出。 Intnx函數(shù)的格式如下： Intnx(interval,from,n)2、 2）繪序列圖，輸入如下程序： proc gplot data=exp3; symbol1 i=spline; plot gnp*date=1; run;3、 觀察圖形，發(fā)現(xiàn)圖形成指數(shù)函數(shù)上升形式，故做對數(shù)變換，輸入如下程序：data lexp; set exp3; lgnp=log(gnp);run;4、 繪變換后序列圖，輸入如下程序：proc gplot data=lexp; sy

8、mbol2 i=spline c=red; plot lgnp*date=2;run;5、 提交程序，到graph窗口中觀察變換后的序列圖，可以看出它成直線上升趨勢。對序列做初步識別，輸入如下程序：proc arima data=lexp; identify var=lgnp nlag=12;run;運行結(jié)果如下：Fig1.Description statisticsFig 2. autocorrelations，inverse autocorrelations and partial autocorrelationsFig 3. autocorrelation check for white

9、 noise6、 提交程序，觀察樣本自相關(guān)系數(shù)，可看出有緩慢下降趨勢，結(jié)合我們觀察的圖形，我們知道要對序列做差分運算，作一階差分，輸入如下程序：identify var=lgnp(1) nlag=12;run;結(jié)果如下： 7、 提交程序，觀察樣本自相關(guān)系數(shù)，可看出樣本自相關(guān)系數(shù)5步后是截尾的,那么確定為MA(5)模型,進(jìn)行參數(shù)估計,輸入如下程序:estimate q=5 plot;run;結(jié)果如圖： 參數(shù)估計及顯著性結(jié)果及擬合統(tǒng)計量模型殘差項的白噪聲檢驗8、 提交程序，觀察輸出結(jié)果，可看出模型通過了白噪聲檢驗，說明模型擬合充分。且MA1,3 , MA1,4的T值較小，說明參數(shù)顯著為0，除掉這兩

10、項重新進(jìn)行估計，輸入如下程序：estimate q=(1,2,5) plot;run;參數(shù)估計及顯著性結(jié)果及擬合統(tǒng)計量模型殘差項的白噪聲檢驗殘差項的自相關(guān)系數(shù)圖9、 提交程序，觀察輸出結(jié)果，可看出模型通過了白噪聲檢驗，說明模型擬合充分，且殘差標(biāo)準(zhǔn)誤與前一估計相差很小，故以此結(jié)果為我們所要的結(jié)果，依此結(jié)果寫出方程式。所以可得模型方程式為： Z(t)+0.4674Z(t-1)+0.30715Z(t-2)-0.30001Z(t-5)=0.01766+a(t)10、 進(jìn)行預(yù)測，預(yù)測美國未來2年的每季國民生產(chǎn)總值。輸入如下程序： forecast lead=6 interval=qtr id=date

11、out=results; run; data results; set results; gnp=exp(lgnp); l95=exp(l95); u95=exp(u95); forecast=exp(forecast+std*std/2); run; proc print data=results; var date forcast; where date>=1jan96d; run;11、 提交程序，并把預(yù)測值記錄下來。實驗練習(xí)：分析武漢市2002/01/01-2003/05/31日火車站旅客客流量數(shù)據(jù)（單位：千人），并預(yù)測6月份前10天的旅客流量。114 65 49 118 142

12、 148 157 92 111 110 120 140 93 64 66 59 73 77 31 27 25 44 50 57 57 30 30 30 33 53 62 65 35 60 63 57 36 68 70 66 61 55 74 85 60 53 70 97 95 77 63 76 68 45 56 67 68 85 77 71 84 64 71 35 59 110 80 88 56 89 65 72 66 60 42 51 66 128 85 69 57 62 31 83 86 66 59 51 80 86 69 60 58 44 48 51 49 54 33 29 43 110

13、 105 62 53 55 61 36 64 61 59 55 66 66 56 63 62 58 60 55 44 44 40 50 54 52 51 44 44 49 38 69 32 51 85 69 89 65 67 56 51 47 40 52 77 77 68 61 64 75 68 80 58 58 56 50 62 62 60 62 61 59 59 53 41 38 36 50 40 37 42 47 53 31 48 46 51 46 46 48 77 65 64 81 92 77 55 45 52 61 80 103 83 81 76 55 49 54 60 60 78

14、56 61 53 48 66 74 58 51 65 72 76 74 86 64 40 51 62 63 58 64 51 68 70 82 85 74 57 51 30 55 65 82 89 77 70 67 68 78 96 87 100 111 93 93 90 103 116 87 82 64 85 66 37 55 74 56 33 38 51 54 76 90 74 72 73 76 56 85 40 38 36 46 72 87 117 100 80 66 78 66 73 94 104 93 100 97 97 65 58 61 73 52 38 27 40 68 82 5

15、7 96 117 65 34 53 43 63 66 73 106 114 73 70 107 110 123 179 107 79 46 37 57 55 62 51 47 53 63 57 68 66 76 67 98 68 100 141 120 113 85 83 61 36 62 69 56 58 73 101 157 149 114 154 62 50 51 52 46 63 47 31 49 55 71 67 66 78 68 66 79 77 37 51 71 72 68 76 145 168 158 143 225 228 190 133 192 152 141 111 99 86 69 51 64 82 79 102 31 44 31 52 69 93 108 132 80 100 82 49 77 145 99 78 105 150 75 100 108 86 103 100 89 99 82 80 86 81 64 66 67 40 53 77 78 97 97 115 8