應(yīng)用時(shí)間序列分析報(bào)告實(shí)驗(yàn)報(bào)告材料

實(shí)用標(biāo)準(zhǔn)應(yīng)用時(shí)間序列分析實(shí)驗(yàn)報(bào)告學(xué)院名稱 理學(xué)院專業(yè)班級(jí) 應(yīng)用統(tǒng)計(jì)學(xué)14-2學(xué)生姓名 張艷雪學(xué)號(hào)201411081051文案大全實(shí)用標(biāo)準(zhǔn)齊魯工業(yè)大學(xué)實(shí)驗(yàn)報(bào)告 成績(jī)課程名稱《應(yīng)用時(shí)間序列分析實(shí)驗(yàn)》 指導(dǎo)教師 黃玉林 實(shí)驗(yàn)日期 院（系）理學(xué)院專業(yè)班級(jí)統(tǒng)計(jì)14-2實(shí)驗(yàn)地點(diǎn)機(jī)電樓C428學(xué)生姓名張艷雪學(xué)號(hào)201411081051同組人無(wú)實(shí)驗(yàn)項(xiàng)目名稱ARIMA模型、確定性分析法,多元時(shí)間序列建模一、實(shí)驗(yàn)?zāi)康暮鸵笫煜し瞧椒€(wěn)序列的確定性分析法：趨勢(shì)分析、季節(jié)效應(yīng)分析、綜合分析熟悉差分平穩(wěn)序列的建模步驟。掌握單位根檢驗(yàn)、協(xié)整檢驗(yàn)、動(dòng)態(tài)回歸模型的建立。二、實(shí)驗(yàn)原理序列的各種變化都?xì)w結(jié)于四大因素的綜合影響：長(zhǎng)期趨勢(shì)（Trend）,循環(huán)波動(dòng)（Circle）,季節(jié)性變化（Season）,機(jī)波動(dòng)（Immediate）.常假設(shè)它們有如下的相互模型：加法模型 Xt Tt Ct St It乘法模型 Xt TtCt St It混合模型 模型結(jié)構(gòu)不唯一非平穩(wěn)序列如果能通過(guò)適當(dāng)階數(shù)的差分后實(shí)現(xiàn)平穩(wěn)，就可以對(duì)差分后序列進(jìn)行ARMA模型擬合了，所以 ARIMA模型是差分運(yùn)算與 ARMA模型的組合d(B)t(B)xt單位根檢驗(yàn)：1）DF檢驗(yàn)；（2）ADF檢驗(yàn)；(3)PP檢驗(yàn)；動(dòng)態(tài)回歸模型ARIMAX如果兩個(gè)非平穩(wěn)序列之間具有協(xié)整關(guān)系，則先建立它們的回歸模型，再對(duì)平穩(wěn)的殘差序列建立ARMA模型。ki(B)Blixittytk1i(B)(B)(B)at文案大全實(shí)用標(biāo)準(zhǔn)三、實(shí)驗(yàn)內(nèi)容1、P202頁(yè)：第7題（X11因素分解法）2、P155頁(yè)：第3題（乘積季節(jié)模型）3、P240頁(yè)：第4題出口為xt，進(jìn)口為yt，回答以下問(wèn)題（1）畫出xt，yt的時(shí)序圖，用單位根檢驗(yàn)序列它們的平穩(wěn)性；（2）對(duì)lnxt,lnyt分別擬合模型（提示：建立 ARIMA模型）；考察lnyt，lnxt的協(xié)整關(guān)系，建立lnyt關(guān)于lnxt的協(xié)整模型，同時(shí)建立誤差修正模型。四、實(shí)驗(yàn)過(guò)程(一) P202頁(yè)：第7題（X11因素分解法）繪制序列時(shí)序圖。（程序見附錄）由上圖可得季節(jié)序列的振幅隨序列水平的變化而變化， 所以季節(jié)效應(yīng)與趨勢(shì)效應(yīng)不獨(dú)立， 采用乘法模型:進(jìn)入x-11季節(jié)調(diào)整模型經(jīng)過(guò)三個(gè)階段共十步的重復(fù)迭代后，得到如下的擬合效果圖：文案大全實(shí)用標(biāo)準(zhǔn)顯然，該地區(qū)奶牛的月度產(chǎn)奶量序列具有顯著的季節(jié)變動(dòng)特征。(二) P155頁(yè)：第3題（乘積季節(jié)模型）1.繪制序列時(shí)序圖。 繪制時(shí)序圖，如圖 1所示（程序見附錄 1）。文案大全實(shí)用標(biāo)準(zhǔn)圖1美國(guó)月度事故死亡人數(shù)序列時(shí)序圖時(shí)序圖顯示該序列具有以年為周期的季節(jié)效應(yīng)。差分平穩(wěn)化：對(duì)原序列作1階12步差分，希望提取原序列季節(jié)效應(yīng)，差分后序列時(shí)序圖如圖2所示。圖2美國(guó)月度事故死亡人數(shù) 1階12步差分后序列時(shí)序圖時(shí)序圖顯示差分后序列類似平穩(wěn)。3.模型定階：考察差分后序列自相關(guān)圖，如圖 3，進(jìn)一步確定平穩(wěn)性判斷，并估計(jì)擬合模型的階數(shù)。文案大全實(shí)用標(biāo)準(zhǔn)圖3美國(guó)月度事故死亡人數(shù) 1階12步差分后序列自相關(guān)圖自相關(guān)圖顯示延遲12階自相關(guān)系數(shù)顯著大于2倍標(biāo)準(zhǔn)差范圍，這說(shuō)明差分后序列中仍蘊(yùn)含著非常顯著的季節(jié)效應(yīng)。延遲1階的自相關(guān)系數(shù)也大于2倍的標(biāo)準(zhǔn)差，這說(shuō)明差分后序列還具有短期相關(guān)性。觀察偏自相關(guān)圖，如圖 4，得到的結(jié)論和上面的結(jié)論一致。圖4美國(guó)月度事故死亡人數(shù) 1階12步差分后序列偏自相關(guān)圖圖5序列白噪聲檢驗(yàn)圖5顯示，原序列延遲各階LB統(tǒng)計(jì)量的P值小于顯著性水平0.05，所以拒絕原假設(shè)，序列不通過(guò)白噪聲檢驗(yàn)。根據(jù)差分后序列的自相關(guān)圖和偏自相關(guān)圖的性質(zhì)，擬合乘積季節(jié)模型ARIMA(p,d,q) (P,D,Q)12。文案大全實(shí)用標(biāo)準(zhǔn)自相關(guān)圖顯示，12階以內(nèi)的自相關(guān)系數(shù)1階截尾，偏自相關(guān)圖顯示，12階以內(nèi)的偏自相關(guān)系數(shù)1階截尾，所以嘗試使用ARMA(1，0)模型提取差分后序列的短期自相關(guān)信息。再考慮季節(jié)自相關(guān)特征，這時(shí)考察延遲 12階、24階等以周期長(zhǎng)度為單位的自相關(guān)系數(shù)和偏自相關(guān)系數(shù)的特征。自相關(guān)圖顯示延遲12階自相關(guān)系數(shù)顯著非零，而偏自相關(guān)圖顯示延遲12階偏自相關(guān)系數(shù)顯著非零，這時(shí)用以12步為周期的ARMA(1,1)12模型提取差分后序列的季節(jié)自相關(guān)信息。參數(shù)估計(jì)：圖6擬合模型綜合前面的差分信息，我們要擬合的乘積季節(jié)模型為 ARIMA(1,1,0) (1,1,1)12。使用條件最小二乘估計(jì)方法，確定該模型的口徑為：(11B)(112B12)12xt(11B)t(10.87376B)(10.53808B12)12xt0.49078B)t(1模型檢驗(yàn)：對(duì)序列擬合ARIMA(1,1,0)(1,1,1)12模型，模型及模型參數(shù)的顯著性檢驗(yàn)如圖7、8所示。文案大全實(shí)用標(biāo)準(zhǔn)圖7模型參數(shù)的顯著性由圖7知，擬合效果顯示模型參數(shù)顯著。圖8殘差白噪聲檢驗(yàn)對(duì)擬合模型進(jìn)行白噪聲檢驗(yàn)，結(jié)果顯示P值都大于顯著性水平0.05.接受原假設(shè)，殘差序列通過(guò)白噪聲檢驗(yàn)，模型顯著，說(shuō)明模型擬合良好，對(duì)序列相關(guān)信息提取充分。將序列擬合值和序列觀察值聯(lián)合作圖，如圖 9所示。圖9美國(guó)月度事故死亡人數(shù)擬合效果圖說(shuō)明：圖中，點(diǎn)為序列觀察值；曲線為序列擬合值。文案大全實(shí)用標(biāo)準(zhǔn)從圖9可以直觀地看出該乘積季節(jié)模型對(duì)原序列的擬合效果良好。（三）P240頁(yè)：第4題1．畫出xt，yt的時(shí)序圖，用單位根檢驗(yàn)序列的平穩(wěn)性；輸出時(shí)序圖如圖 1所示（程序見附錄 2）。圖1我國(guó)出口總額Xt、進(jìn)口總額yt時(shí)序圖圖1中，黑色為出口總額xt序列時(shí)序圖，紅色為進(jìn)口總額yt序列時(shí)序圖。從圖1中可以看出出口總額xt序列、進(jìn)口總額yt序列均顯著非平穩(wěn)，這個(gè)直觀判斷還可以通過(guò)單位根檢驗(yàn)驗(yàn)證。同時(shí)時(shí)序圖顯示這兩個(gè)序列具有某種同變關(guān)系。對(duì)我國(guó)出口總額序列xt進(jìn)行ADF檢驗(yàn)，單位根檢驗(yàn)結(jié)果如圖2所示。文案大全實(shí)用標(biāo)準(zhǔn)圖2出口總額 xt白噪聲、單位根檢驗(yàn)檢驗(yàn)結(jié)果顯示，無(wú)論考慮何種類型的模型，檢驗(yàn)統(tǒng)計(jì)量的 P值均顯著大于0.05的顯著性水平，所以可以認(rèn)為中國(guó)我國(guó)出口總額序列xt顯著非平穩(wěn)，且這六種處理均不能實(shí)現(xiàn)殘差序列平穩(wěn)。對(duì)我國(guó)進(jìn)口總額序列 yt進(jìn)行ADF檢驗(yàn)，單位根檢驗(yàn)結(jié)果如圖 3所示。圖3進(jìn)口總額 yt白噪聲、單位根檢驗(yàn)同出口序列xt的檢驗(yàn)結(jié)果一樣，在顯著性水平取為0.05時(shí)，可以認(rèn)為我國(guó)進(jìn)口序列yt非平穩(wěn)，且這六種處理均不能實(shí)現(xiàn)殘差序列平穩(wěn)。顯然，這兩個(gè)序列的 ADF檢驗(yàn)結(jié)果與根據(jù)時(shí)序圖得到的直觀判斷完全一致2．對(duì)lnxt,lnyt分別擬合模型（提示：建立 ARIMA模型）；對(duì)我國(guó)出口對(duì)數(shù)序列 lnxt 和進(jìn)口對(duì)數(shù)序列l(wèi)nyt 繪制時(shí)序圖，如圖4所示。圖4我國(guó)出口總額 Xt、進(jìn)口總額 yt取對(duì)數(shù)時(shí)序圖文案大全實(shí)用標(biāo)準(zhǔn)圖4中，黑色線代表我國(guó)出口對(duì)數(shù)序列l(wèi)nxt，紅色線代表我國(guó)進(jìn)口對(duì)數(shù)序列l(wèi)nyt。時(shí)序圖顯示這兩個(gè)對(duì)數(shù)序列有顯著的上升趨勢(shì)，為典型的非平穩(wěn)序列。同時(shí)時(shí)序圖顯示這兩個(gè)序列具有某種同變關(guān)系。因?yàn)樾蛄谐尸F(xiàn)出近似線性趨勢(shì)，所以選擇1階差分。1階差分后出口對(duì)數(shù)序列l(wèi)nxt時(shí)序圖如圖5所示。圖5對(duì)數(shù)序列 Lnx差分時(shí)序圖時(shí)序圖顯示，lnxt差分后序列在均值附近比較穩(wěn)定地波動(dòng)。為了進(jìn)一步確定平穩(wěn)性，考察差分后序列的自相關(guān)圖，如圖6所示。圖6對(duì)數(shù)序列 Lnxt差分后自相關(guān)圖自相關(guān)圖顯示序列有很強(qiáng)的短期相關(guān)性，所以可以初步認(rèn)為lnxt1階差分后序列平穩(wěn)。對(duì)平穩(wěn)的1階差分序列進(jìn)行白噪聲檢驗(yàn)，白噪聲檢驗(yàn)結(jié)果如圖 7所示。文案大全實(shí)用標(biāo)準(zhǔn)圖7lnxt 一階差分后序列白噪聲檢驗(yàn)在檢驗(yàn)的顯著性水平取為 0.05的條件下，由于延遲 6階、12階的P值均小于0.05，所以lnxt差分后的序列不能視為白噪聲序列，即差分后序列還蘊(yùn)含著不容忽視的相關(guān)信息可以提取。對(duì)平穩(wěn)非白噪聲差分序列擬合ARMA模型，1階差分后序列的自相關(guān)圖(見圖6）已經(jīng)顯示該序列有不截尾的性質(zhì)。再考察其偏自相關(guān)系數(shù)的性質(zhì)，如圖8所示。圖8對(duì)數(shù)序列 Lnxt差分后偏自相關(guān)圖偏自相關(guān)圖顯示出1階截尾性，所以考慮用AR(1)模型擬合lnxt1階差分后序列?？紤]到前面已經(jīng)進(jìn)行的1階差分運(yùn)算，實(shí)際上是用ARIMA(1,1,0)模型擬合原序列。對(duì)序列擬合ARIMA(1,1,0)模型，模型參數(shù)及模型的顯著性檢驗(yàn)如圖9、所示。文案大全實(shí)用標(biāo)準(zhǔn)圖9模型參數(shù)顯著性檢驗(yàn)由圖9知，系數(shù)顯著性檢驗(yàn)顯示兩參數(shù)均顯著。對(duì)殘差序列進(jìn)行白噪聲檢驗(yàn)，檢驗(yàn)結(jié)果如圖 10所示。圖10殘差白噪聲檢驗(yàn)顯然，擬合檢驗(yàn)統(tǒng)計(jì)量的 P值都顯著大于顯著性檢驗(yàn)水平 0.05，可以認(rèn)為殘差序列即為白噪聲序列，模型顯著，這說(shuō)明 ARIMA(1,1,0)模型對(duì)lnxt 序列建模成功。圖11模型在條件最小二乘估計(jì)原理下，擬合結(jié)果為：lnxt0.14689110.39945Bt2將對(duì)數(shù)序列擬合值lnxt和對(duì)數(shù)序列觀察值lnxt聯(lián)合作圖，如圖12所示。文案大全實(shí)用標(biāo)準(zhǔn)圖12對(duì)數(shù)序列Lnxt擬合效果圖說(shuō)明：圖中，星號(hào)為序列觀察值；曲線為擬合值。從圖可以直觀地看出該 ARIMA(1,1,0)模型對(duì)原序列的擬合效果良好。因?yàn)閷?duì)數(shù)序列l(wèi)nyt呈現(xiàn)出近似線性趨勢(shì)，所以選擇1階差分。1階差分后進(jìn)口對(duì)數(shù)序列l(wèi)nyt時(shí)序圖如圖13所示。圖13對(duì)數(shù)序列 Lny差分時(shí)序圖時(shí)序圖顯示，lnyt差分后序列在均值附近比較穩(wěn)定地波動(dòng)。為了進(jìn)一步確定平穩(wěn)性，考察差分后序列的自相關(guān)圖，如圖14所示。文案大全實(shí)用標(biāo)準(zhǔn)圖14對(duì)數(shù)序列 Lnyt差分后自相關(guān)圖自相關(guān)圖顯示序列有很強(qiáng)的短期相關(guān)性，所以可以初步認(rèn)為lnyt1階差分后序列平穩(wěn)。對(duì)平穩(wěn)的1階差分序列進(jìn)行白噪聲檢驗(yàn)，白噪聲檢驗(yàn)結(jié)果如圖 15所示。圖15lnyt 一階差分后序列白噪聲檢驗(yàn)在檢驗(yàn)的顯著性水平取為0.05的條件下，由于延遲6階的P值小于0.05，所以lnyt差分后的序列不能視為白噪聲序列，即差分后序列還蘊(yùn)含著不容忽視的相關(guān)信息可以提取。對(duì)平穩(wěn)非白噪聲差分序列擬合ARMA模型，1階差分后序列的自相關(guān)圖(見圖14）已經(jīng)顯示該序列有1階截尾的性質(zhì)。再考察其偏自相關(guān)系數(shù)的性質(zhì)，如圖所示。文案大全實(shí)用標(biāo)準(zhǔn)圖16對(duì)數(shù)序列 Lnyt差分后偏自相關(guān)圖偏自相關(guān)圖顯示該序列 1階截尾的性質(zhì)，所以考慮用 AR(1)模型擬合lnyt1階差分后序列?？紤]到前面已經(jīng)進(jìn)行的 1階差分運(yùn)算，實(shí)際上是用 ARIMA(1,1,0)模型擬合原序列。對(duì)序列擬合 ARIMA(1,1,0)模型，模型參數(shù)及模型的顯著性檢驗(yàn)如圖17、18所示。圖17模型參數(shù)顯著性檢驗(yàn)由圖17知，系數(shù)顯著性檢驗(yàn)顯示兩參數(shù)均顯著。對(duì)殘差序列進(jìn)行白噪聲檢驗(yàn)，檢驗(yàn)結(jié)果如圖 18所示。圖18殘差白噪聲檢驗(yàn)文案大全實(shí)用標(biāo)準(zhǔn)顯然，擬合檢驗(yàn)統(tǒng)計(jì)量的 P值都顯著大于顯著性檢驗(yàn)水平 0.05，可以認(rèn)為殘差序列即為白噪聲序列，模型顯著。這說(shuō)明 ARIMA(1,1,0)模型對(duì)該序列建模成功。圖19模型在條件最小二乘估計(jì)原理下，擬合結(jié)果為：lnyt0.14672110.36364Bt將對(duì)數(shù)序列擬合值lnyt和對(duì)數(shù)序列觀察值lnyt聯(lián)合作圖，如圖20所示。圖20對(duì)數(shù)序列Lnyt擬合效果圖說(shuō)明：圖中，星號(hào)為序列觀察值；曲線為擬合值。從圖20可以直觀地看出該 ARIMA(1,1,0)模型對(duì)原序列的擬合效果良好。3．考察lnyt，lnxt的協(xié)整關(guān)系，建立 lnyt關(guān)于lnxt的協(xié)整模型，同時(shí)建立誤差修正模型。對(duì)我國(guó)出口對(duì)數(shù)序列 lnxt 和進(jìn)口對(duì)數(shù)序lnyt 繪制時(shí)序圖，如圖 4所示。可以發(fā)現(xiàn)時(shí)序圖顯示這兩個(gè)序列具有某種同變關(guān)系， 可以考慮建立ARIMAX模型。文案大全實(shí)用標(biāo)準(zhǔn)對(duì)lnxt、lnyt、lnxt1 階差分、{ lnyt}序列分別進(jìn)行單位根檢驗(yàn)（ ADF）。輸出結(jié)果如圖21——24所示。圖21對(duì)數(shù)序列 lnXt1 階單位根檢驗(yàn)檢驗(yàn)結(jié)果顯示，無(wú)論考慮何種類型的模型，檢驗(yàn)統(tǒng)計(jì)量的P值均顯著大于0.05的顯著性水平，所以可以認(rèn)為中國(guó)我國(guó)出口總額對(duì)數(shù)序列l(wèi)nxt顯著非平穩(wěn)，且這六種處理均不能實(shí)現(xiàn)殘差序列平穩(wěn)。圖22對(duì)數(shù)序列 lnyt1 階單位根檢驗(yàn)同出口對(duì)數(shù)序列l(wèi)nxt的檢驗(yàn)結(jié)果一樣，在顯著性水平取為0.05時(shí)，可以認(rèn)為我國(guó)進(jìn)口對(duì)數(shù)序列l(wèi)nyt非平穩(wěn)，且這六種處理均不能實(shí)現(xiàn)殘差序列平穩(wěn)。文案大全實(shí)用標(biāo)準(zhǔn)圖23{ lnxt}1階單位根檢驗(yàn)檢驗(yàn)結(jié)果顯示，無(wú)論考慮何種類型的模型，檢驗(yàn)統(tǒng)計(jì)量的 P值均顯著小于0.05的顯著性水平，拒絕原假設(shè)，所以可以認(rèn)為中國(guó)我國(guó)出口總額 { lnxt}對(duì)序列顯著平穩(wěn)。圖24{ lnyt}1階單位根檢驗(yàn)同出口{ lnxt}序列的檢驗(yàn)結(jié)果一樣，在顯著性水平取為 0.05時(shí)，可以認(rèn)為我國(guó)進(jìn)口{ lnyt}序列平穩(wěn)，且這六種處理均能實(shí)現(xiàn)殘差序列平穩(wěn)。利用最小二乘估計(jì)，回歸模型輸出結(jié)果如圖 25所示。文案大全實(shí)用標(biāo)準(zhǔn)圖25回歸模型結(jié)果構(gòu)造出的回歸模型如下：lnyt 0.99265lnxt t圖26對(duì)數(shù)序列 Lnyt與對(duì)數(shù)序列 lnxt 之間的相關(guān)圖相關(guān)圖顯示對(duì)數(shù)序列 lnyt 在延遲階數(shù)為零時(shí)與對(duì)數(shù)序列 lnxt相關(guān)關(guān)系最大。因此可以將對(duì)數(shù)序列 lnyt 與對(duì)數(shù)序列l(wèi)nxt 同期建模。文案大全實(shí)用標(biāo)準(zhǔn)圖27殘差單位根檢驗(yàn)殘差序列平穩(wěn)，說(shuō)明對(duì)數(shù)序列l(wèi)nyt與對(duì)數(shù)序列l(wèi)nxt之間具有協(xié)整的關(guān)系，我們可以大膽的在這兩個(gè)對(duì)數(shù)序列之間建立動(dòng)態(tài)回歸模型而不必?fù)?dān)心虛假回歸問(wèn)題。圖28模型參數(shù)顯著性檢驗(yàn)，無(wú)常數(shù)項(xiàng)考察殘差序列白噪聲檢驗(yàn)結(jié)果，如圖 29所示。圖29殘差序列白噪聲檢驗(yàn)輸出結(jié)果顯示，延遲各階LB統(tǒng)計(jì)量的P值都大于顯著性水平0.05，可以認(rèn)為殘差序列為白噪聲序列，對(duì)序列相關(guān)信息提取充分。文案大全實(shí)用標(biāo)準(zhǔn)圖30模型根據(jù)輸出的模型擬合結(jié)果可知，最后的擬合模型口徑為：lnyt0.99179lnxt110.69934Bt將對(duì)數(shù)序列擬合值lnyt和對(duì)數(shù)序列觀察值lnyt聯(lián)合作圖，如圖31所示。圖31對(duì)數(shù)序列Lnyt擬合效果圖說(shuō)明：圖中，星號(hào)為序列觀察值；曲線為擬合值。從圖可以直觀地看出該 ARIMAX模型對(duì)原序列的擬合效果良好。將序列擬合值yt和序列觀察值yt聯(lián)合作圖，如圖32所示。文案大全實(shí)用標(biāo)準(zhǔn)圖32yt擬合效果圖說(shuō)明：圖中，星號(hào)為序列觀察值；曲線為擬合值。從圖可以直觀地看出該 ARIMAX模型對(duì)原序列的擬合效果良好。構(gòu)造誤差修正模型:為了研究我國(guó)的進(jìn)出口總額的短期波動(dòng)特征，我們利用差分序列 { lnyt}和{lnxt}以及前期誤差序列{ECMt1}，構(gòu)造ECM模型：ECMt1 lnyt1 0.99265lnxt1輸出結(jié)果如圖33所。圖33誤差修正模型顯著性檢驗(yàn)由圖33輸出結(jié)果結(jié)果知ECM模型為：lnyt 1.02197 lnxt 0.31055ECMt1 t文案大全實(shí)用標(biāo)準(zhǔn)附錄程序1：dataexample4_7;input x@@;t=intnx( 'quarter' ,'1jan1978'd ,_n_-1);format t yyq4.;cards;589561640656727697640599568577553582600566653673742716660617583587565598628618688705770736678639604611594634658622709722782756702653615621602635677635736755811798735697661667645688713667762784837817767722681687660698717696775796858826783740701706677711734690785805871845801764725723690734750707807824886859819783740747711751;procx11data=example4_7;quarterlydate=t;varx;outputout=outb1=xd10=seasond11=adjustedd12=trendd13=irr;dataout;setout;estimate=trend*season/100;procgplotdata=out;plotseason*t=2adjusted*t=2trend*t=2irr*t=2;plotx*t=1estimate*t=2/overlay;symbol1c=blacki=joinv=star;symbol2c=redi=joinv=nonew=2;run;程序2：datati5_3;input x@@;dif1_12=dif12(dif(x));time=intnx( 'month' ,'1jan1973'd ,_n_-1);format time year4.;cards;9007.00 8106.00 8928.00 9137.00 10017.0010826.0011317.0010744.009713.00 9938.00 9161.00 8927.00 7750.00 6981.00 8038.00 8422.00 8714.00 9512.0010120.009823.00 8743.00 9129.00 8710.00 8680.00 8162.00 7306.00 8124.00文案大全實(shí)用標(biāo)準(zhǔn)7870.009387.009556.0010093.009620.008285.008433.008160.008034.007717.007461.007776.007925.008634.008945.0010078.009179.008037.008488.007874.008647.007792.006957.007726.008106.008890.009299.0010625.009302.008314.008850.008265.008796.007836.006892.007791.008129.009115.009434.0010484.009827.009110.009070.008633.009240.00;run;procgplot;plotx*time=1dif1_12*time=2;symbol1c=coralv=circlei=join;symbol2c=bluev=stari=join;run;procarima;identifyvar=x(1,12);estimatep=1q=(1)(12);forecastlead=0id=timeout=out;run;procgplotdata=out;plotx*time=1forecast*time=2/overlay;symbol1c=blacki=nonev=doth=0.2;symbol2c=redi=joinv=none;run;程序3:datati6_4;inputyearxtyt;lnxt=log(xt);lnyt=log(yt);diflnx=dif(lnxt);diflny=dif(lnyt);cards;19502021.3195124.235.3195227.137.5195334.846.119544044.7195548.761.1195655.753195754.55019586761.7195978.171.2196063.365.1196147.743196247.133.8文案大全實(shí)用標(biāo)準(zhǔn)19635035.7196455.442.1196563.155.319666661.1196758.853.4196857.650.9196959.847.2197056.856.1197168.552.4197282.9641973116.9103.61974139.4152.81975143147.41976134.8129.31977139.7132.81978167.6187.41979211.7242.91980271.2298.81981367.6367.71982413.8357.51983438.3421.81984580.5620.51985808.91257.819861082.11498.3198714701614.219881766.72055.1198919562199.919902985.82574.319913827.13398.719924676.34443.319935284.85986.2199410421.89960.1199512451.811048.1199612576.411557.4199715160.711806.5199815223.611626.1199916159.813736.5200020634.418638.8200122024.420159.2200226947.924430.3200336287.934195.6200449103.346435.8200562648.154273.7200677594.663376.9文案大全實(shí)用標(biāo)準(zhǔn)200793455.673284.62008100394.979526.5;run;procgplotdata=ti6_4;plotxt*year=1yt*year=2/overlay;symbol1c=blacki=joinv=none;symbol2c=redi=joinv=nonew=2l=2;run;procarimadata=ti6_4;identifyvar=xtstationarity=(adf=1);identifyvar=ytstationarity=(adf=1);run;procgplotdata=ti6_4;plotlnxt*year=1lnyt*year=2/overlay;plotdiflnx*year=1diflny*year=2;symbol1c=blacki=joinv=circle;symbol2c=redi=joinv=star;run;procarima;identifyvar=lnxt(1);estimatep=1;forecastlead=0id=yearout=out1;identifyvar=lnyt(1);estimatep=1;forecastlead=0id=yearout=out2;run;p