時(shí)間序列分析實(shí)例分析上機(jī)報(bào)告

1、得分時(shí)間序列分析期末上機(jī)實(shí)踐報(bào)告課程名稱(chēng)： 時(shí)間序列分析 學(xué) 期： 學(xué) 院： 專(zhuān) 業(yè)： 姓 名： 學(xué) 號(hào)： 日 期： 時(shí)間序列分析期末課程上機(jī)報(bào)告1、 ARMA模型1. 數(shù)據(jù)來(lái)源及其背景： 澳門(mén)整體建筑工人平均日薪的同期變動(dòng)率，1988第一季度至2003第二季度，并利用ARMA模型建模及預(yù)測(cè)未來(lái)5個(gè)季度的同期變動(dòng)率。2. 時(shí)序圖：如圖所示：該序列沒(méi)有明顯的不平穩(wěn)性3. 白噪聲： P值小于0.05屬于非白噪聲序列4. 樣本自相關(guān)圖自相關(guān)系數(shù)基本0值附近波動(dòng)，可以認(rèn)為有短期相關(guān)性。序列平穩(wěn)。5. 樣本偏自相關(guān)圖此圖為截尾6. 預(yù)測(cè)可得出之后5個(gè)季度的同期變動(dòng)率：14.22 10.82 13 16.

2、35 17.597. 模型檢驗(yàn)P值小于0.05 建模成功 擬合模型為AR（2）模型8. 擬合預(yù)測(cè)圖圖形擬合得十分不錯(cuò)9. 程序data nicole1_1; input cjj; time=_n_;cards; 20.712523.233.31814.9412.1946.1384.03124.32-7.1-77-48.2625.0124.9247.8123.784.253.9210.0931.3936.0924.787.5617.9520.548.977.425.310.1-2.52-2.696.619.461420.15114.11.78-3.5411.7659.6716.685.8215.

3、842633.915016.1616.0820.754.6925.9911.515.452.5128.4222.99； proc gplot data=nicole1_1;plot cjj*time=1;symbol1 c=red I=join v=star; proc arima data= nicole1_1; identify var=cjj nlag=14; estimate p=2;forecast lead=5 id=time out=results;proc gplot data=results; plot cjj*time=1 forecast*time=2 l95*time=

4、3 u95*time=3/overlay; symbol1 c=black i=none v=star; symbol2 c=red i=join v=none; symbol3 c=green i=join v=none l=2; run;2、 ARIMA模型1. 數(shù)據(jù)來(lái)源及其背景 澳門(mén)甲類(lèi)物價(jià)消費(fèi)指數(shù)，1998年1月至2003年11月，并利用ARIMA模型建模及預(yù)測(cè)未來(lái)5個(gè)月的物價(jià)消費(fèi)指數(shù)。2. 時(shí)序圖如圖所示：序列具有長(zhǎng)期趨勢(shì)。3. 差分對(duì)序列進(jìn)行一階差分。4. 樣本自相關(guān)圖 如圖所示：延遲6階之后，自相關(guān)系數(shù)基本都在零值附近波動(dòng)。具有短期相關(guān)性，該差分后序列平穩(wěn)。5. 樣本偏相關(guān)圖 如

5、圖所示：只有延遲1階和4階的偏自相關(guān)系數(shù)顯著大于2倍標(biāo)準(zhǔn)差。可用AR（1,4）模型。6. 白噪聲P值小于0.05 屬于非白噪聲序列。具有非純隨機(jī)性。7. 模型檢驗(yàn) 如圖所示：殘差檢驗(yàn)結(jié)果顯示殘差序列可視為白噪聲序列，參數(shù)顯著性檢驗(yàn)結(jié)果顯示兩參數(shù)均高度顯著。模型擬合成功。8. 預(yù)測(cè)如圖所示：接下來(lái)5個(gè)月的預(yù)測(cè)值為：109.25 103.5 100.96 98.67 94.969. 擬合圖如圖所示：圖形擬合得十分不錯(cuò)。10.程序data nicole1_2;input month x;dif=dif(x);cards;183.1283.9363.1479.5581.4673.4767.6877.4

6、971.71070.11163.71251.91345.414451538.91631.51725.71829.51929.62029.52132.22234.12332.12437.42548.12674.12774.72856.72943.33089.73111232100.433101.834100.735115.636122.537131.538137.93914440159.441168.842164.343164.54416884714048129.149104.85093.351795278.15381.15465.65559.85636.15726.3

7、5823.35918.5;proc gplot;plot x*month dif*month;symbol c=black i=join v=square;proc arima;identify var=x(1);estimate p=(1 4) noint;forecast lead=5 id=month out=out;proc gplot data=out;plot x*month=1 forecast*month=2 l95*month=3 u95*month=3/overlay;symbol1 c=black i=none v=star;symbol2 c=red i=join v=

8、none;symbol3 c=green i=join v=none;run;3、 X11過(guò)程1. 數(shù)據(jù)來(lái)源及其背景 澳門(mén)工業(yè)生產(chǎn)指數(shù)（電力業(yè)），2006年至2013年，使用X11過(guò)程進(jìn)行季節(jié)調(diào)整。2. 時(shí)序圖如圖所示：受到季節(jié)性影響，時(shí)序圖趨勢(shì)不明顯。3. 季節(jié)調(diào)整后序列圖 如圖所示：可以看出澳門(mén)工業(yè)指數(shù)（電力業(yè)）在剔除季節(jié)效應(yīng)之后有非常顯著的線性遞增趨勢(shì)。4. 趨勢(shì)擬合圖5. 殘差圖6.程序data nicole1_3; input x; t=intnx(month,1jan2006d,_n_-1); format t year4.; cards; 10110242.341.362.210

9、5.763.866123.3151.1202515.5292.2262.7267.5270.4313.7381.1351.5386496.2544.1653.81032.2702.2591.5633.3648.7685.4739.7723.673721489.51009.11000960.1955998.31000988.71016.41183.51248.31390.11948.61388.51313.51230.91200.51208.21264.71202.51204.41339.614481554.91981.71649.51406.41379.71352.7

10、1365.214261386.11414.61543.116361752.22231.41762.11638.41503.1140014641528.81480.31510.91704.31843.91881.52505.71874.719051727167217371745169718001954212922082780; proc x11 data=nicole1_3; monthly date=t; var x; output out=out b1=x d10=season d11=adjusted d12=trend d13=irr; proc gplot data=out; plot season*