應(yīng)用時(shí)間序列實(shí)驗(yàn)報(bào)告

1、-. z.工程學(xué)院課程設(shè)計(jì)時(shí)間序列分析課程設(shè)計(jì)學(xué)生*：學(xué)院：理學(xué)院專業(yè)班級(jí)：專業(yè)課程：時(shí)間序列分析課程設(shè)計(jì)指導(dǎo)教師：2017年 6 月 2 日考核工程考核容得分平時(shí)考核20分出勤情況、實(shí)訓(xùn)態(tài)度、效率；知識(shí)掌握情況、根本操作技能、知識(shí)應(yīng)用能力、獲取知識(shí)能力實(shí)驗(yàn)一20分完成此實(shí)驗(yàn)并獲得實(shí)驗(yàn)結(jié)果實(shí)驗(yàn)二20分完成此實(shí)驗(yàn)并獲得實(shí)驗(yàn)結(jié)果實(shí)驗(yàn)三20分完成此實(shí)驗(yàn)并獲得實(shí)驗(yàn)結(jié)果文檔資料20分表達(dá)能力、文檔寫作能力和文檔的規(guī)性總評(píng)成績(jī)指導(dǎo)教師評(píng)語：目錄 TOC o 1-2 h z u HYPERLINK l _Toc4842552421. 實(shí)驗(yàn)一澳大利亞常住人口變動(dòng)分析 PAGEREF _Toc484255242

2、 h 3HYPERLINK l _Toc4842552431.1 實(shí)驗(yàn)?zāi)康?PAGEREF _Toc484255243 h 3HYPERLINK l _Toc4842552441.2 實(shí)驗(yàn)原理 PAGEREF _Toc484255244 h 3HYPERLINK l _Toc4842552451.3 實(shí)驗(yàn)容 PAGEREF _Toc484255245 h 3HYPERLINK l _Toc4842552461.4 實(shí)驗(yàn)過程 PAGEREF _Toc484255246 h 3HYPERLINK l _Toc4842552472. 實(shí)驗(yàn)二我國鐵路貨運(yùn)量分析 PAGEREF _Toc48425524

3、7 h 3HYPERLINK l _Toc4842552482.1 實(shí)驗(yàn)?zāi)康?PAGEREF _Toc484255248 h 3HYPERLINK l _Toc4842552492.2 實(shí)驗(yàn)原理 PAGEREF _Toc484255249 h 3HYPERLINK l _Toc4842552502.3 實(shí)驗(yàn)容 PAGEREF _Toc484255250 h 3HYPERLINK l _Toc4842552512.4實(shí)驗(yàn)過程 PAGEREF _Toc484255251 h 3HYPERLINK l _Toc4842552523. 實(shí)驗(yàn)三美國月度事故死亡數(shù)據(jù)分析 PAGEREF _Toc48425

4、5252 h 3HYPERLINK l _Toc4842552533.1 實(shí)驗(yàn)?zāi)康?PAGEREF _Toc484255253 h 3HYPERLINK l _Toc4842552543.2 實(shí)驗(yàn)原理 PAGEREF _Toc484255254 h 3HYPERLINK l _Toc4842552553.3 實(shí)驗(yàn)容 PAGEREF _Toc484255255 h 3HYPERLINK l _Toc4842552563.4 實(shí)驗(yàn)過程 PAGEREF _Toc484255256 h 3HYPERLINK l _Toc484255257課程設(shè)計(jì)體會(huì) PAGEREF _Toc484255257 h 3

5、-. z.實(shí)驗(yàn)一澳大利亞常住人口變動(dòng)分析1971年9月1993年6月澳大利亞常住人口變動(dòng)單位：千人情況如表1-1所示行數(shù)據(jù)。表1-163.267.955.849.550.255.449.945.348.161.755.253.149.559.930.630.433.842.135.828.432.944.145.536.639.549.848.82937.334.247.637.339.247.643.94951.260.86748.965.465.467.662.555.149.657.347.345.544.54847.949.148.859.451.651.460.960.956.858

6、.662.16460.364.67179.459.983.475.480.255.958.565.269.559.121.562.5170-47.462.26033.135.343.442.758.434.41判斷該序列的平穩(wěn)性與純隨機(jī)性。2選擇適當(dāng)模型擬合該序列的開展。3繪制該序列擬合及未來5年預(yù)測(cè)序列圖。1.1 實(shí)驗(yàn)?zāi)康恼莆沼肧AS軟件對(duì)數(shù)據(jù)進(jìn)展相關(guān)性分析，判斷序列的平穩(wěn)性與純隨機(jī)性,選擇模型擬合序列開展。1.2 實(shí)驗(yàn)原理1平穩(wěn)性檢驗(yàn)與純隨機(jī)性檢驗(yàn)對(duì)序列的平穩(wěn)性檢驗(yàn)有兩種方法，一種是根據(jù)時(shí)序圖和自相關(guān)圖顯示的特征做出判斷的圖檢驗(yàn)法；另一種是單位根檢驗(yàn)法。2模型識(shí)別先對(duì)模型進(jìn)展定階，選出相對(duì)

7、最優(yōu)的模型，下一步就是要估計(jì)模型中未知參數(shù)的值，以確定模型的口徑，并對(duì)擬合好的模型進(jìn)展顯著性診斷。3模型預(yù)測(cè)模型擬合好之后，利用該模型對(duì)序列進(jìn)展短期預(yù)測(cè)。1.3 實(shí)驗(yàn)容1判斷該序列的平穩(wěn)性與純隨機(jī)性時(shí)序圖檢驗(yàn)，根據(jù)平穩(wěn)時(shí)間序列均值、方差為常數(shù)的性質(zhì)，平穩(wěn)序列的時(shí)序圖應(yīng)該顯示出該序列始終在一個(gè)常識(shí)值附近波動(dòng)，而且波動(dòng)的圍有界。如果序列的時(shí)序圖顯示該序列有明顯的趨勢(shì)性或周期性，則它通常不是平穩(wěn)序列。對(duì)自相關(guān)圖進(jìn)展檢驗(yàn)時(shí)，可以用SAS系統(tǒng)ARIMA過程中的IDENTIFY語句來做自相關(guān)圖。而單位根檢驗(yàn)我們用到的是DF檢驗(yàn)。以1階自回歸序列為例：該序列的特征方程為：特征根為：當(dāng)特征根在單位圓時(shí)：該序列

8、平穩(wěn)。當(dāng)特征根在單位圓上或單位圓外時(shí)：該序列非平穩(wěn)。對(duì)于純隨機(jī)性檢驗(yàn)，既白噪聲檢驗(yàn)，可以用SAS系統(tǒng)中的IDENTIFY語句來輸出白噪聲檢驗(yàn)的結(jié)果。2選擇適當(dāng)模型擬合該序列的開展先對(duì)模型進(jìn)展定階，選出相對(duì)最優(yōu)的模型，下一步就是要估計(jì)模型中未知參數(shù)的值，以確定模型的口徑，并對(duì)擬合好的模型進(jìn)展顯著性診斷。ARIMA過程的第一步是要IDENTIFY命令對(duì)該序列的平穩(wěn)性和純隨機(jī)性進(jìn)展識(shí)別，并對(duì)平穩(wěn)非白噪序列估計(jì)擬合模型的階數(shù)。使用命令如下：proc print data=e*ample3_20;IDENTIFY VAR =people nlag=8 minic p= (0:5) q =(0:5);ru

9、n;3繪制該序列擬合及未來5年預(yù)測(cè)序列圖模型擬合好之后，利用該模型對(duì)序列進(jìn)展短期預(yù)測(cè)。預(yù)測(cè)命令如下：forecast lead=5 id=time out=results;run;其中，lead指定預(yù)期數(shù)；id指定時(shí)間變量標(biāo)識(shí)；out指定預(yù)測(cè)后期的結(jié)果存入*個(gè)數(shù)據(jù)集。利用存儲(chǔ)在臨時(shí)數(shù)據(jù)集RESULTS里的數(shù)據(jù)，我們可以繪制擬合預(yù)測(cè)圖，相關(guān)命令如下：proc gplot data=results;plot people*time=1 forecast*time=2 l95*time=3 u95*time=3/overlay;symbol1 c=red i=none v=star;symbol2

10、c=black i=join v=none;symbol3 c=green i=join v=none l=32;run;1.4 實(shí)驗(yàn)過程按照實(shí)驗(yàn)的過程運(yùn)行程序，對(duì)程序結(jié)果的分析如下：1判斷該序列的平穩(wěn)性與純隨機(jī)性圖1-1 1971年9月-1993年6月澳大利亞季度常住人口變動(dòng)序列時(shí)序圖時(shí)序圖顯示澳大利亞季度常住人口圍繞在52千人附近隨機(jī)波動(dòng)，沒有明顯趨勢(shì)或周期，根本可視為平穩(wěn)模式。圖1-2序列自相關(guān)圖自相關(guān)圖顯示該序列的自相關(guān)系數(shù)一直都比擬小，始終控制在2倍的標(biāo)準(zhǔn)差圍以，故認(rèn)為該序列是平穩(wěn)序列。圖1-3 序列的單位根檢驗(yàn)結(jié)果根據(jù)第五列、第六列輸出的結(jié)果我們可以判斷，當(dāng)顯著性水平取0.05時(shí)，

11、序列非平穩(wěn)，但當(dāng)消除線性趨勢(shì)之后序列平穩(wěn)。圖1-4 白噪聲檢驗(yàn)輸出結(jié)果可以看到延遲6階、12階的檢驗(yàn)P值均小于0.05，故拒絕原假設(shè)，認(rèn)為該序列為非白噪聲序列非純隨機(jī)序列。2選擇適當(dāng)模型擬合該序列的開展圖1-5 IDENTIFY命令輸出的最小信息量結(jié)果最后一條信息顯示，在自相關(guān)延遲階數(shù)也小于等于5的所有ARMA(p，q)模型中，BIC信息量相對(duì)于最小的是ARMA1，3模型。圖1-6 ESTIMATE命令輸出的未知參數(shù)結(jié)果圖1-7 ESTIMATE命令輸出的擬合統(tǒng)計(jì)量結(jié)果圖1-8 ESTIMATE命令輸出的系數(shù)矩陣圖1-9 ESTIMATE命令輸出的殘差自相關(guān)檢驗(yàn)結(jié)果從輸出結(jié)果可以看出由于延遲各

12、階的LB統(tǒng)計(jì)量的P值均顯著大于，所以該擬合模型顯著成立。圖1-10 ESTIMATE命令輸出的擬合模型形式該輸出形式等價(jià)于：或記為：3繪制該序列擬合及未來5年預(yù)測(cè)序列圖圖1-11 FORECAST命令輸出的5年預(yù)測(cè)結(jié)果擬合效果圖如圖1-11：圖1-12 擬合效果圖實(shí)驗(yàn)二我國鐵路貨運(yùn)量分析我國19492008年每年鐵路貨運(yùn)量單位：萬噸數(shù)據(jù)如表2-1所示。表2-1年貨運(yùn)量年貨運(yùn)量年貨運(yùn)量19495589196953120198915148919509983197068132199015068119511108319717647119911528931952132171972808731992157

13、627195316131197383111199316279419541928819747877219941632161955193761975889551995165982195624605197684066199617102419572742119779530919971721491958381091978110119199816430919595441019791118931999167554196067219198011127920001785811961449881981107673200119318919623526119821134952002204956196336418198

14、311878420032242481964417861984124074200424901719654910019851307092005269296196654951198613563520062882241967430891987140653200731423719684209519881449482008330354請(qǐng)選擇適當(dāng)?shù)哪Ｐ蛿M合該序列，并預(yù)測(cè)20092013年我國鐵路貨運(yùn)量。2.1 實(shí)驗(yàn)?zāi)康恼莆沼肧AS軟件對(duì)數(shù)據(jù)進(jìn)展相關(guān)性分析，掌握對(duì)非平穩(wěn)時(shí)間序列的隨機(jī)分析，選擇適宜模型，擬合序列開展。2.2 實(shí)驗(yàn)原理ARIMA模型的預(yù)測(cè)和ARMA模型的預(yù)測(cè)方法非常類似。模型的一般表示方法為：同

15、時(shí)可以簡(jiǎn)記為：式中，為零均值白噪聲序列。我們可以從上式看出，ARIMA模型的實(shí)質(zhì)就是差分與ARMA模型的組合，這說明任何非平穩(wěn)序列如果能通過適當(dāng)階數(shù)的差分實(shí)現(xiàn)差分后平穩(wěn)，就可以對(duì)差分后序列進(jìn)展ARMA模型擬合。1對(duì)差分平穩(wěn)后的序列可以使用ARIMA模型進(jìn)展擬合，ARIMA建模操作流程如圖2-1所示。平穩(wěn)性檢驗(yàn)白噪聲檢驗(yàn)分析完畢通過差分運(yùn)算擬合ARMA模型未通過平穩(wěn)不平穩(wěn)獲得觀察值序列圖2-1 建模流程2.3 實(shí)驗(yàn)容由于ARMA模型是ARIMA模型的一種特例，所以在SAS系統(tǒng)中這兩種模型的擬合都放在ARMA過程中。先利用時(shí)序圖分析模型是否平穩(wěn)，可以運(yùn)用實(shí)驗(yàn)一的程序來實(shí)現(xiàn)。再對(duì)該序列進(jìn)展1階差分運(yùn)

16、算，同時(shí)考慮差分后序列的平穩(wěn)性，添加如下命令：difhuoyunliang=dif(huoyunliang);命令difhuoyunliang=dif(huoyunliang);是指令系統(tǒng)對(duì)變量進(jìn)展的1階差分后的序列值賦值給變量difhuoyunliang，其中dif()是差分函數(shù)。利用差分函數(shù)得出平穩(wěn)模型。再對(duì)模型進(jìn)展定階和進(jìn)展預(yù)測(cè)。模型定階：identify var=difhuoyunliang(1) nlag=8 minic p=(0:5) q=(0:5)；模型預(yù)測(cè)：forecast lead=5 id=time；2.4 實(shí)驗(yàn)過程1判斷序列的平穩(wěn)性圖2-2 我國19492008年每年鐵路

17、貨運(yùn)量時(shí)序圖通過分析可知，該時(shí)序圖有明顯的上升趨勢(shì)，所以為非平穩(wěn)序列。在此，對(duì)該序列進(jìn)展1階差分運(yùn)算。圖2-3 1階差分后序列時(shí)序圖圖2-4 1階差分后序列自相關(guān)圖通過分析可知，時(shí)序圖顯示差分后序列沒有明顯的非平穩(wěn)特征；自相關(guān)圖顯示序列有很很強(qiáng)的短期相關(guān)性，所以可認(rèn)為1階差分后序列平穩(wěn)。對(duì)平穩(wěn)的1階查分序列進(jìn)展白噪聲檢驗(yàn)，檢驗(yàn)結(jié)果如圖圖2-5 1階差分后序列白噪聲檢驗(yàn)?zāi)J(rèn)顯著性水平為0.05的條件下，由于延遲6階、12階的P值為0.0012和0.0098，小于0.05，所以該差分后序列不能視為白噪聲序列，即差分后的序列還蘊(yùn)含著不容無視的相關(guān)信息可供提取。2對(duì)平穩(wěn)非白噪聲查分序列進(jìn)展擬合圖2-6

18、 IDENTIFY命令輸出的最小信息量結(jié)果最后一條信息顯示，在自相關(guān)延遲階數(shù)也小于等于5的所有模型中，BIC信息量相對(duì)于最小的是模型?？紤]到前面已經(jīng)進(jìn)展的1階差分運(yùn)算，實(shí)際上是用模型擬合原序列。圖2-7 ESTIMATE命令輸出的未知參數(shù)結(jié)果圖2-8 ESTIMATE命令輸出的擬合統(tǒng)計(jì)結(jié)果圖2-8 ESTIMATE命令輸出的殘差自相關(guān)檢驗(yàn)結(jié)果顯然，擬合檢驗(yàn)統(tǒng)計(jì)量的P值均顯著大于顯著性水平，所以可以認(rèn)為改殘差序列即為白噪聲序列，顯著性檢驗(yàn)顯示兩參數(shù)均顯著，這說明模型對(duì)該序列建模成功。圖2-10 ESTIMATE命令輸出的擬合模型形式輸出結(jié)果顯示，序列的擬合模型為 ,模型口徑為：等價(jià)記為：利用擬合

19、模型對(duì)序列做5期預(yù)測(cè)，結(jié)果如圖2-10：圖2-11 2009-2013我國鐵路貨運(yùn)量預(yù)測(cè)實(shí)驗(yàn)三美國月度事故死亡數(shù)據(jù)分析據(jù)美國國家平安委員會(huì)統(tǒng)計(jì)，19731978年美國月度事故死亡數(shù)據(jù)如表3-1所示。表3-1時(shí)間死亡人數(shù)時(shí)間死亡人數(shù)時(shí)間死亡人數(shù)1973年1月90071975年1月81621977年1月77921973年2月81061975年2月73061977年2月69571973年3月89281975年3月81241977年3月77261973年4月91371975年4月78701977年4月81061973年5月100171975年5月93871977年5月88901973年6月108261

20、975年6月95561977年6月92991973年7月113171975年7月100931977年7月106251973年8月107441975年8月96201977年8月93021973年9月97131975年9月82851977年9月83141973年10月99381975年10月84331977年10月88501973年11月91611975年11月81601977年11月82651973年12月89271975年12月80341977年12月87961974年1月77501976年1月77171978年1月78361974年2月69811976年2月74611978年2月689219

21、74年3月80381976年3月77761978年3月77911974年4月84221976年4月79251978年4月81291974年5月87141976年5月86341978年5月91151974年6月95121976年6月89451978年6月94341974年7月101201976年7月100781978年7月104841974年8月98231976年8月91791978年8月98271974年9月87431976年9月80371978年9月91101974年10月91291976年10月84881978年10月90701974年11月87101976年11月78741978年11月

22、86331974年12月86801976年12月86471978年12月9240請(qǐng)選擇適當(dāng)模型擬合該序列的開展。3.1 實(shí)驗(yàn)?zāi)康恼莆沼肧AS軟件對(duì)數(shù)據(jù)進(jìn)展相關(guān)性分析，掌握對(duì)非平穩(wěn)時(shí)間序列的隨機(jī)分析，選擇適宜模型，擬合序列開展。3.2 實(shí)驗(yàn)原理在SAS系統(tǒng)中有一個(gè)AUTOREG程序，可以進(jìn)展殘差自相關(guān)回歸模型擬合。殘差自回歸模型的構(gòu)思是首先通過確定性因素分解方法提取序列中主要確實(shí)定性信息：1式中，為趨勢(shì)效應(yīng)擬合；為季節(jié)效應(yīng)擬合。考慮到因素分解方法對(duì)確定性信息的提取可能不夠充分，因而需要進(jìn)一步檢驗(yàn)殘差序列的自相關(guān)性。如果檢驗(yàn)結(jié)果顯示殘差序列的自相關(guān)性不顯著說明確定性回歸模型1對(duì)信息的提取比擬充分，

23、可以停頓分析。如果檢驗(yàn)結(jié)果顯示殘差序列的自相關(guān)顯著，說明確定性回歸模型1對(duì)信息的提取不充分，這時(shí)可以考慮對(duì)殘差序列擬合自回歸模型，進(jìn)一步提取相關(guān)信息：這樣構(gòu)造的模型:,這就是自回歸模型。3.3 實(shí)驗(yàn)容首先建立數(shù)據(jù)集和繪制時(shí)序圖參照實(shí)驗(yàn)一，接下來建立因變量關(guān)于時(shí)間的回歸模型。主要程序如下：proc autoreg data=e*ample4_3;model death=time/ dwprob;輸出如下三方面結(jié)果：普通最小二乘估計(jì)結(jié)果、回歸誤差分析、最終擬合模型，詳細(xì)分析見下面的實(shí)驗(yàn)過程。3.4 實(shí)驗(yàn)過程1繪制時(shí)序圖圖3-1 19731978年美國月度事故死亡數(shù)據(jù)的時(shí)序圖時(shí)序圖顯示，有一定規(guī)律性

24、的波動(dòng)，所以考慮使用誤差自回歸模型擬合該序列的開展。圖3-2 序列關(guān)于變量的線性回歸模型的最小二乘估計(jì)結(jié)果輸出結(jié)果顯示，DW統(tǒng)計(jì)量的值等于0.6020，輸出概率顯示殘差序列顯著正相關(guān)，所以應(yīng)該考慮對(duì)殘差序列擬合自相關(guān)模型。2建立關(guān)于時(shí)間的回歸模型輸出結(jié)果的詳細(xì)分析：該局部輸出信息包括誤差平方和SSE、自由度DFE、均方誤差MSE、根號(hào)均方誤差Root MSE、SBC信息量、AIC信息量、回歸局部相關(guān)系數(shù)平方Regress R-Square、總的相關(guān)系數(shù)平方Total R-Square,DW統(tǒng)計(jì)量及所有待估計(jì)參數(shù)的自由度、估計(jì)值、標(biāo)準(zhǔn)差、值和統(tǒng)計(jì)量的P值，如圖3-3所示。圖3-3 普通最小二乘估

25、計(jì)結(jié)果回歸誤差分析：該局部共輸出四個(gè)信息：殘差序列自相關(guān)圖、逐步回歸消除的不顯著項(xiàng)報(bào)告、初步均方誤差MSE、自回歸參數(shù)估計(jì)值。如下圖：圖3-4 自回歸誤差分析輸出結(jié)果輸出的殘差序列自相關(guān)圖顯示殘差序列有非常顯著的1階正相關(guān)性。逐步回歸消除報(bào)告顯示除了延遲1階的序列值顯著自相關(guān)外，延遲其他階數(shù)的序列值均不具有顯著的自相關(guān)性，因此延遲25階的自相關(guān)項(xiàng)被剔除。最終擬合模型如下列圖3-5所示：圖3-5 最終擬合模型輸出結(jié)果擬合模型為：擬合圖如圖3-6圖3-6 擬合效果圖課程設(shè)計(jì)體會(huì)通過一周的實(shí)訓(xùn)，讓我對(duì)應(yīng)用時(shí)間序列這一門課程有了更深的理解和掌握，讓我從前一段的理論知識(shí)學(xué)習(xí)進(jìn)入到了應(yīng)用與實(shí)踐，實(shí)踐出真知

26、，平常所學(xué)的理論只有通過實(shí)踐，自己動(dòng)手之后才能真正感覺到知識(shí)的樂趣。在整個(gè)實(shí)驗(yàn)過程中，所有的代碼都是由我來負(fù)責(zé)編寫及修改的，同時(shí)，我也負(fù)責(zé)對(duì)自己用代碼得出的結(jié)果進(jìn)展截圖以及進(jìn)展結(jié)果分析。實(shí)驗(yàn)一要求我們繪制時(shí)序圖，判平穩(wěn)、進(jìn)展純隨機(jī)性檢驗(yàn)、繪制樣本自相關(guān)圖、模型識(shí)別以及模型定階。通過觀察時(shí)序圖的是否具有明顯的趨勢(shì)性或周期性來得出模型是否平穩(wěn)；樣本自相關(guān)圖顯示出來的性質(zhì)可以檢驗(yàn)我們通過時(shí)序圖得出的結(jié)論是否正確，之后的純隨機(jī)性檢驗(yàn)是為了確定平穩(wěn)序列是否值得我們繼續(xù)分析下去；之后進(jìn)展相對(duì)最優(yōu)定階，當(dāng)然這個(gè)定階，只能作為定階參考，因?yàn)槭褂眠@種方法定階未必比經(jīng)歷定階準(zhǔn)確，之后得出擬合模型的具體形式及進(jìn)展序

27、列預(yù)測(cè)。實(shí)驗(yàn)二是建立在實(shí)驗(yàn)一的根底上來做的，實(shí)驗(yàn)二我們選用的是ARIMA模型來做的，但是與實(shí)驗(yàn)一不同的是，實(shí)驗(yàn)二對(duì)模型進(jìn)展了差分運(yùn)算，因?yàn)椴罘诌\(yùn)算可以將一個(gè)非平穩(wěn)序列轉(zhuǎn)化平穩(wěn)序列，之后對(duì)差分序列進(jìn)展ARMA模型擬合，這樣結(jié)合實(shí)驗(yàn)一和實(shí)驗(yàn)二我們便可以得出實(shí)驗(yàn)二模型。實(shí)驗(yàn)三我們選擇的是殘差自回歸模型進(jìn)展擬合的，通過查閱，我知道了殘差自回歸模型是一種擬合非平穩(wěn)時(shí)間序列的方法，它既能提取序列確實(shí)定性，,又能提取其隨機(jī)性信息，不僅提高了模型的擬合精度，同時(shí)也使的結(jié)果變得更實(shí)際，也更易解釋。但是在實(shí)際操作的過程中，我發(fā)現(xiàn)這個(gè)模型擬合確實(shí)比其他模型擬合難，以至于自己對(duì)得出的結(jié)果都無法肯定對(duì)錯(cuò)。通過三個(gè)實(shí)驗(yàn)，

28、只能說讓我初步的了解到了這門課的有意思之處，同時(shí)，也讓我對(duì)SAS這個(gè)軟件有了初步的認(rèn)知，就比方說在操作過程中一個(gè)不顯眼的小字符錯(cuò)了，程序就會(huì)一遍遍的報(bào)錯(cuò)，但是在實(shí)際操作過程中，我們又非常容易無視掉這些，從而導(dǎo)致我們有時(shí)候會(huì)花費(fèi)許多時(shí)間在這上面。所以我們平常思考問題做事情都要認(rèn)真嚴(yán)謹(jǐn)。當(dāng)然在整個(gè)實(shí)訓(xùn)過稱中，要非常感教師對(duì)我們的教誨，通過教師的指導(dǎo)，才能讓我們順利的完成這次實(shí)訓(xùn)。為期一周的實(shí)訓(xùn)已經(jīng)完畢了，但由于端午節(jié)放假，實(shí)訓(xùn)時(shí)間就縮短為了3天，所以時(shí)間上很緊。但是我們還是完成了試驗(yàn)，收獲了很多，一方面學(xué)習(xí)到了以前沒有用過的SAS軟件，另一方面把所學(xué)的時(shí)間序列分析在實(shí)際中得到了應(yīng)用，還有團(tuán)隊(duì)合作能

29、力得到了加強(qiáng)。第一天教師介紹了實(shí)訓(xùn)的軟件SAS，并講了一些根底知識(shí)和根本的操作步驟，并把時(shí)間序列的知識(shí)進(jìn)展了大致的回憶。接下來上機(jī)做了一些簡(jiǎn)單的練習(xí)，練習(xí)了一下SAS的簡(jiǎn)單操作步驟，知道了怎么把數(shù)據(jù)導(dǎo)入數(shù)據(jù)集，接著練習(xí)了第二章的課后習(xí)題，通過輸出的序列的時(shí)序圖和序列自相關(guān)圖來判斷該序列的平穩(wěn)性和純隨機(jī)性。在這個(gè)過程中需要調(diào)試程序，剛開場(chǎng)輸入了課本上的程序，但運(yùn)行有錯(cuò)誤，仔細(xì)查看不是字母打錯(cuò)就是缺少標(biāo)點(diǎn)符號(hào)，經(jīng)過幾次不斷地改良，得到了正確的結(jié)果。第二天教師講解了平穩(wěn)性序列的分析，對(duì)建模步驟和具體要用到的函數(shù)做了詳細(xì)說明，由于是三個(gè)人合作完成一份實(shí)驗(yàn)，所以我的工作就是了解整個(gè)試驗(yàn)建模的過程和思想然

30、后編寫文檔，把我隊(duì)友軟件輸出的結(jié)果加以分析。這是三個(gè)人完成的第一個(gè)試驗(yàn)，所以速度上不是很快。在期間也遇到了很多問題，比方我們對(duì)模型的選擇、對(duì)結(jié)果的分析都存在爭(zhēng)議，但最后都得到了解決。第三天時(shí)間更加的緊，由于昨天一天做了有個(gè)試驗(yàn)，可是一共有三個(gè)試驗(yàn)，所以在第三天也就是最后一天要完成另外兩個(gè)試驗(yàn)。這兩個(gè)試驗(yàn)是第四章非平穩(wěn)序列的隨機(jī)分析，好在有了實(shí)驗(yàn)一的根底，程序就相對(duì)簡(jiǎn)單了一些，但我編輯文檔的工作量就很大。在我和隊(duì)友交流了經(jīng)過調(diào)試后要選用的模型和結(jié)果分析后我就開場(chǎng)了兩個(gè)試驗(yàn)的文檔編輯工作。期間有對(duì)自己所選模型是否是最適宜的模型產(chǎn)生過疑心，但通過和同學(xué)教師的交流得到了解決。最后的一步工作就是對(duì)整個(gè)文

31、檔的排版，因?yàn)槿ツ陞⒁娺^數(shù)學(xué)建模，所以在排版方面還有一定的根底，按照實(shí)驗(yàn)報(bào)告的格式進(jìn)展了排版。總結(jié)一下，就我自己而言之前對(duì)時(shí)間序列這門課的掌握程度還不高，通過實(shí)訓(xùn)得到了提高，但平心而論對(duì)知識(shí)的把握還是不夠完善和系統(tǒng)，希望以后的學(xué)習(xí)中能得到提高。還要感教師，對(duì)我們完成試驗(yàn)的幫助和對(duì)疑問的解答，教師對(duì)我們真的是認(rèn)真負(fù)責(zé)，教師！經(jīng)過一周的學(xué)習(xí)與實(shí)踐，應(yīng)用時(shí)間序列分析這門科學(xué)讓我受益頗多。首先實(shí)踐階段第一個(gè)接觸的就是SAS軟件，在SAS系統(tǒng)中有一個(gè)專門進(jìn)展計(jì)量經(jīng)濟(jì)與時(shí)間序列分析的模塊。同時(shí)，由于SAS系統(tǒng)具有全球一流的數(shù)據(jù)倉庫功能，因此在進(jìn)展海量數(shù)據(jù)的時(shí)間序列分析時(shí)具有很大的優(yōu)勢(shì)。而在學(xué)習(xí)SAS軟件時(shí)

32、遇到了不少的障礙，經(jīng)過教師的講解后還是有許多功能不是太了解，導(dǎo)致在進(jìn)展實(shí)踐操作時(shí)出了不少的錯(cuò)誤，后來經(jīng)過咨詢教師解決了問題。在除了學(xué)習(xí)SAS軟件外，我們需要進(jìn)一步掌握的是時(shí)間序列中的一些案例模型。在進(jìn)展分析時(shí)，有許多都用到了ARMA模型，這時(shí)我們就需要結(jié)合理論知識(shí)與SAS。其中擬合序列的開展，確定并檢驗(yàn)序列的平穩(wěn)性等等都是需要解決的問題。在解決這些問題時(shí)，每一步都是一個(gè)需要細(xì)心與耐心的過程。當(dāng)其中任何一處出現(xiàn)小的失誤都會(huì)使結(jié)果出現(xiàn)錯(cuò)誤，進(jìn)而解決不了該問題?？梢哉f這次實(shí)訓(xùn)不僅使我學(xué)到了知識(shí)，豐富了經(jīng)歷。也幫助我縮小了實(shí)踐和理論的差距。我收獲了很多，一方面學(xué)習(xí)到了許多以前沒學(xué)過的專業(yè)知識(shí)與知識(shí)的應(yīng)

33、用，另一方面還提高了自己動(dòng)手的能力。本次實(shí)訓(xùn)，是對(duì)我能力的進(jìn)一步鍛煉，也是一種考驗(yàn)。從中獲得的諸多收獲，也是很可貴的，是非常有意義的。在實(shí)訓(xùn)中我學(xué)到了許多新的知識(shí)。是一個(gè)讓我把書本上的理論知識(shí)運(yùn)用于實(shí)踐中的好時(shí)機(jī)，原來，學(xué)的時(shí)候感慨學(xué)的容太難懂，現(xiàn)在想來，有些其實(shí)并不難，關(guān)鍵在于理解。在這次實(shí)訓(xùn)中還鍛煉了我其他方面的能力，提高了我的綜合素質(zhì)。首先，它鍛煉了我做實(shí)驗(yàn)的能力，提高了獨(dú)立思考問題、自己動(dòng)手操作的能力，在工作的過程中，復(fù)習(xí)了以前學(xué)習(xí)過的知識(shí)，并掌握了一些應(yīng)用知識(shí)的技巧等。其次，實(shí)訓(xùn)中的工程作業(yè)也使我更加有團(tuán)隊(duì)精神。這次實(shí)訓(xùn)將會(huì)有利于我更好的適應(yīng)以后的工作。我會(huì)把握和珍惜實(shí)訓(xùn)的時(shí)機(jī)，在未

34、來的工作中我會(huì)把學(xué)到的理論知識(shí)和實(shí)踐經(jīng)歷不斷的應(yīng)用到實(shí)際工作中，為實(shí)現(xiàn)理想而努力。附錄實(shí)驗(yàn)一程序：data e*ample3_20;input people;time=intn* (month,01sep1971d,_n_-1);format time monyy7.;cards;63.2 67.9 55.8 49.5 50.2 55.4 49.9 45.3 48.1 61.7 55.2 53.1 49.5 59.9 30.6 30.4 33.8 42.1 35.8 28.4 32.9 44.1 45.5 36.6 39.5 49.8 48.8 29.0 37.3 34.2 47.6 37.3

35、 39.2 47.6 43.9 49.0 51.2 60.8 67.0 48.9 65.4 65.4 67.6 62.5 55.1 49.6 57.3 47.3 45.5 44.5 48.0 47.9 49.1 48.8 59.4 51.6 51.4 60.9 60.9 56.8 58.6 62.1 64.0 60.3 64.6 71.0 79.4 59.9 83.4 75.4 80.2 55.9 58.5 65.2 69.5 59.1 21.5 62.5 170.0 -47.4 62.2 60.0 33.1 35.3 43.4 42.7 58.4 34.4 ;PROC ARIMA DATA=

36、E*AMPLE3_20; /*pingwen*ingjianyan*/IDENTIFY VAR =people;IDENTIFY VAR =people nlag=8 minic p= (0:5) q =(0:5);proc print data=e*ample3_20;/*PROC GPLOT DATA=E*AMPLE3_20; */*plot people*time;*/*symbol c=black v=dot i=join; */proc arima data=e*ample3_20;identify var=people stationarity= (adf=1);/*danweig

37、enbujianyan*/ESTIMATE p=1 Q=3 ; /*mo*ingnihe*/forecast lead=5 id=time out=results;/*yuce5nian*/proc gplot data=results;/*ulienihejiweilai5niande yucetu */plot people*time=1 forecast*time=2 l95*time=3 u95*time=3/overlay;symbol1 c=black i=none v=star;symbol2 c=black i=join v=dot;symbol3 c=black i=join

38、 v=dot l=32;run;實(shí)驗(yàn)二程序：data e*ample4_2;input huoyunliang;difhuoyunliang=dif(huoyunliang);time=intn* (year,01JAN1949d,_n_-1);format time monyy7.;cards;5589 9983 11083 13217 1613119288 19376 24605 27421 3810954410 67219 44988 35261 3641841786 49100 54951 43089 4209553120 68132 76471 80873 8311178772 88955 84066 95309 110119111893 111279 107673 113495 118784124074 130709