SAS與時間序列預(yù)測_第1頁
SAS與時間序列預(yù)測_第2頁
SAS與時間序列預(yù)測_第3頁
SAS與時間序列預(yù)測_第4頁
SAS與時間序列預(yù)測_第5頁
已閱讀5頁,還剩6頁未讀, 繼續(xù)免費(fèi)閱讀

下載本文檔

版權(quán)說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請進(jìn)行舉報或認(rèn)領(lǐng)

文檔簡介

1、SAS與時間序列預(yù)測模型1第一章 時間序列模型介紹時間序列預(yù)測法是一種歷史資料延伸預(yù)測,也稱歷史引伸預(yù)測法。是以時間數(shù)列所能反映的社會經(jīng)濟(jì)現(xiàn)象的發(fā)展過程和規(guī)律性,進(jìn)行引伸外推,預(yù)測其發(fā)展趨勢的方法。簡介經(jīng)濟(jì)時間序列的變化受到長期趨勢、季節(jié)變動、周期變動和不規(guī)則變動這四個因素的影響。其中:(1) 長期趨勢因素(T): 反映了經(jīng)濟(jì)現(xiàn)象在一個較長時間內(nèi)的發(fā)展方向,它可以在一個相當(dāng)長的時間內(nèi)表現(xiàn)為一種近似直線的持續(xù)向上或持續(xù)向下或平穩(wěn)的趨勢。(2) 季節(jié)變動因素(S):是經(jīng)濟(jì)現(xiàn)象受季節(jié)變動影響所形成的一種長度和幅度固定的周期波動。(3) 周期變動因素(C):周期變動因素也稱循環(huán)變動因素,它是受各種經(jīng)濟(jì)

2、因素影響形成的上下起伏不定的波動。(4) 不規(guī)則變動因素(I):不規(guī)則變動又稱隨機(jī)變動,它是受各種偶然因素影響所形成的不規(guī)則變動。分解(1)加法模型:Y=T+S+C+I(2)乘法模型:Y=T*S*C*I模型2第二章 時間序列模型建模步驟時間序列平穩(wěn)性檢驗:如果一個時間序列的概率分布與時間無關(guān),則成為平穩(wěn)序列。時間序列平穩(wěn)化和零均值化:時間序列預(yù)測模型是建立在平穩(wěn)序列的基礎(chǔ)上的,由于日常所見的數(shù)據(jù)序列大多是非平穩(wěn)序列,故需要轉(zhuǎn)換為平穩(wěn)序列,轉(zhuǎn)換后需要進(jìn)行零均值化處理。自回歸模型(AR模型)、移動平均模型(MA模型)和自回歸移動平均模型(ARMA模型)階數(shù)識別,確定模型階數(shù)p和q值:AR模型:某個

3、觀測值Xt與其滯后p期的觀測值的線性組合再加上隨機(jī)誤差項,即:Xt= 1Xt-1+2Xt-2+pXt-p+at;MA模型:某個觀測值Xt與先前t-1,t-2,t-q個時刻進(jìn)入系統(tǒng)的q個隨機(jī)誤差項即at,at-1,Xt-q的線性組合,即:Xt= at-1at-1-2at-2-qXt-q;ARMA模型:即觀測值不僅與其以前p個時刻的自身觀測值有關(guān),而且還與其以前時刻進(jìn)入系統(tǒng)的q個隨機(jī)誤差存在一定的依存關(guān)系,即Xt= 1Xt-1+2Xt-2+pXt-p+at-1at-1-2at-2-qXt-q。第一步,模型識別確定p、q值后,運(yùn)用最大似然、最小二乘法等算法估計模型參數(shù)(i 和j,i=1,2,p;j=

4、1,2,q)值。第二步,參數(shù)估計利用顯著的模型對時間序列進(jìn)行預(yù)測。第二步,模型預(yù)測3參數(shù)估計模型預(yù)測模型識別第三章 時間序列模型實現(xiàn)過程(SAS)觀察時間序列曲線(趨勢、季節(jié)性、周期性)proc gplot data=a;plot x*time ;symbol c=red i=spline v=dot;run;SAS代碼平穩(wěn)性檢驗( proc arima )identify var=x nlag=30; /*初始變量平穩(wěn)性檢驗*/identify var=x(m) nlag=30;/*-1階差分檢驗:t時刻與t-m時刻差分,nlag=?,最多滯后?項*/identify var=x(m,n)

5、nlag=30;/*-2階差分檢驗: t時刻與t-m時刻差分后,再將差分?jǐn)?shù)據(jù)做n差分*/run;曲線(趨勢、季節(jié)性、周期性)SAS結(jié)果平穩(wěn)性檢驗(白噪聲、相關(guān)系數(shù)等)白噪聲檢驗:原假設(shè):一階差分值是白噪聲。n階差分的ACF(自相關(guān)系數(shù))、PACF(偏自相關(guān)系數(shù))和IACF4第三章 時間序列模型實現(xiàn)過程(SAS)模型識別參數(shù)估計模型預(yù)測模型識別自相關(guān)系數(shù)圖(ACF圖)偏自相關(guān)系數(shù)圖(PACF圖)模型識別結(jié)果q階截尾拖尾MA(q)拖尾p階截尾AR(p)拖尾拖尾ARMAACF和PACF圖形識別: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:SAS 語句:Identify var=sales(1

6、) esacf p=(0:6) q=(0:6); /*對sales 一階差分進(jìn)行擴(kuò)張樣本自相關(guān)系數(shù)估計值模型識別,指定p和q的最小值均為0,最大值均為6*/結(jié)果:擴(kuò)張樣本自相關(guān)系數(shù)估計值p、q的最優(yōu)選擇值從上至下排列在ACF圖和PACF圖都拖尾的情況下,ARMA模型中的p、q參數(shù)還需要進(jìn)一步進(jìn)行確定5第三章 時間序列模型實現(xiàn)過程(SAS)模型識別參數(shù)估計模型預(yù)測模型識別利用最小信息準(zhǔn)則進(jìn)行模型識別:SAS 語句:Identify var=sales(1) minic p=(0:6) q=(0:6); /*對sales 一階差分進(jìn)行minic識別,指定p和q的最小值均為0,最大值均為6*/結(jié)果:

7、BIC信息指數(shù)和最優(yōu)選擇利用典型相關(guān)系數(shù)平方估計值進(jìn)行模型識別:SAS 語句:Identify var=sales(1) scan p=(0:6) q=(0:6); /*對sales 一階差分進(jìn)行scan識別,指定p和q的最小值均為0,最大值均為6*/結(jié)果:與擴(kuò)展的樣本自相關(guān)函數(shù)估計值類似,給出各類模型之間的典型相關(guān)系數(shù)平方估計值和用于檢驗這些估計量的概率值,最后系統(tǒng)同樣自動給出的模型選擇依據(jù),從上到下給出優(yōu)先選用的結(jié)果。BIC信息指數(shù)6模型識別模型預(yù)測參數(shù)估計第三章 時間序列模型實現(xiàn)過程(SAS)參數(shù)估計和檢驗Identify var=sales(1) noprint;Estimate p=

8、0 q=2 plot ; /*估計sales一階差分時間序列的MA(2)模型,并繪制殘差自相關(guān)系數(shù)圖*/Run;/*注:一個estimate 過程必須緊跟一個identify,否則將會對最近的差分?jǐn)?shù)據(jù)進(jìn)行估計,此外,還可以添加選項method=ML(極大似然)、ULS(非條件最小二乘法)、CLS(最小二乘法),選擇參數(shù)估計算法*/SAS代碼結(jié)果輸出參數(shù)估計及顯著性檢驗結(jié)果:殘差白噪聲平穩(wěn)性檢驗結(jié)果:好的模型的殘差檢驗結(jié)果應(yīng)該是白噪聲,即殘差不存在自相關(guān)MU是所分析系列的樣本均值;MA1,1和MA1,2分別是參數(shù)1和2;且參數(shù)的顯著性檢驗pr|t|應(yīng)該小于顯著性指標(biāo)值0.05 7模型識別參數(shù)估計

9、模型預(yù)測第三章 時間序列模型實現(xiàn)過程(SAS)模型預(yù)測Forecast lead=4 out=sales_predicted; /*表示向后預(yù)測4期,并把預(yù)測結(jié)果存儲sales_predicted數(shù)據(jù)集中*/Run;/*注:一個estimate 過程配合estimate語句使用,否則將會對給出最近的估計的參數(shù)預(yù)測結(jié)果,此外,還可以添加選項ALPHA=0.05指定置信區(qū)間;添加PRINTALL輸出所有時期的預(yù)測值*/SAS代碼結(jié)果輸出向后預(yù)測幾期的預(yù)測值及置信區(qū)間:8結(jié)束 完整的建模過程(1/2)Ods html;Ods graphics on;Proc arima data=數(shù)據(jù)集; iden

10、tify var=變量(n); estimate p=x q=y plot; forecast printall lead=z out=結(jié)果集;Quit;Run;Ods graphics off;Ods html close; 完整SAS過程OUTCOV=:指定存儲自相關(guān)系數(shù)、偏自相關(guān)系數(shù)等統(tǒng)計量的數(shù)據(jù)集。P=(pmin,pmax):指定ARMA模型中參數(shù)p的最小值和最大值,通常與MINIC和SCAN選項搭配使用。Q=(qmin,qmax):指定ARMA模型中參數(shù)q的最小值和最大值,通常與MINIC和SCAN選項搭配使用。SCAN:計算典型相關(guān)系數(shù)平方的估計值,并用來確定ARMA中的參數(shù)p和q

11、的值。STATIONARITY=:進(jìn)行實踐序列的平穩(wěn)性檢驗INPUT=:指定輸入變量及其對應(yīng)的轉(zhuǎn)化函數(shù)。METHOD:指定模型參數(shù)估計方法,估計方法關(guān)鍵字為ML、ULS和CLS。P:指定模型參數(shù)p的值。Q:指定模型參數(shù)q的值。OUTEST=:指定存儲參數(shù)估計結(jié)果的輸出數(shù)據(jù)集。OUTMODEL=:指定存儲模型機(jī)模型參數(shù)估計結(jié)果的輸出數(shù)據(jù)集。OUTSTAT=:指定存儲用于模型診斷的統(tǒng)計量的輸出數(shù)據(jù)集。IDENTIFY選項(1/2)DATA=:指定用于分析的數(shù)據(jù)集。VAR=:指定用戶分析的時間序列變量。在變量后面加上(n),表示進(jìn)行該變量的n階差分。CENTER:對數(shù)據(jù)進(jìn)行零均值化,先差分再零均值化。ESACF:計算擴(kuò)展的樣本自相關(guān)函數(shù)并使用其估計值進(jìn)行模型參數(shù)p和q的識別。MINIC:使用足校信息準(zhǔn)則進(jìn)行模型參數(shù)p和q的識別。NLAG:指定計算自相關(guān)系數(shù)和互相關(guān)系數(shù)的滯后期數(shù)。NOPRINT:不輸出任何結(jié)果。IDENTIFY選項(2/2)ESTIMATE選項9結(jié)束 完整的建模過程(2/2)BACK=:指定時間序列從最后一個觀測值起往前預(yù)測的時期。如“BACK=5”表示預(yù)測最后一個觀測值之前5期的數(shù)值。LEAD=:指定時間序列從最后一個觀測值起往后預(yù)測的時期。如“LEAD=5”表示預(yù)測最后一個觀測值之后5期的數(shù)值。ID=:指定表

溫馨提示

  • 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會有圖紙預(yù)覽,若沒有圖紙預(yù)覽就沒有圖紙。
  • 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
  • 5. 人人文庫網(wǎng)僅提供信息存儲空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對任何下載內(nèi)容負(fù)責(zé)。
  • 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時也不承擔(dān)用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論