SAS時(shí)序分析程序說(shuō)明

SAS時(shí)序分析程序說(shuō)明ARIMA過(guò)程單變量場(chǎng)合：ARIMA模型的識(shí)別，擬合，預(yù)測(cè)多變量場(chǎng)合：ARIMAX模型的識(shí)別，擬合，預(yù)測(cè)干預(yù)模型的識(shí)別，擬合，預(yù)測(cè)轉(zhuǎn)移函數(shù)模型的識(shí)別，擬合，預(yù)測(cè)ARIMA過(guò)程三階段建模PROCARIMAoptions;IDENTIFY

VAR=variableoptions;/識(shí)別/ESTIMATEoptions;/估計(jì)/FORECASToptions;

/預(yù)測(cè)/PROCARIMA語(yǔ)句開始進(jìn)入ARIMA分析程序的起始命令可選擇命令：Data=文件名/指定分析數(shù)據(jù)所在文件名/Out=文件名/指定輸出預(yù)測(cè)值的SAS數(shù)據(jù)集/例句：PROCARIMA;默認(rèn)對(duì)最近一次使用的數(shù)據(jù)集進(jìn)行ARIMA分析PROCARIMAdata=a;對(duì)臨時(shí)庫(kù)數(shù)據(jù)集a進(jìn)行ARIMA分析PROCARIMAdata=sasuser.aout=b;對(duì)永久庫(kù)數(shù)據(jù)集sasuer.a進(jìn)行ARIMA分析,預(yù)測(cè)結(jié)果存入臨時(shí)數(shù)據(jù)庫(kù)bIDENTIFY語(yǔ)句單變量序列樣本自相關(guān)，逆自相關(guān)和偏自相關(guān)屬性，平穩(wěn)性識(shí)別，白噪聲識(shí)別，單位根檢驗(yàn)結(jié)果輸出多變量序列響應(yīng)變量和解釋變量的選擇及互相關(guān)屬性輸出命令格式IDENTIFYVAR=相應(yīng)變量名

可選擇命令；例句Identifyvar=x;對(duì)x變量進(jìn)行識(shí)別，輸出均值，標(biāo)準(zhǔn)差等描述性統(tǒng)計(jì)量輸出自相關(guān)，逆自相關(guān)和偏自相關(guān)系數(shù)及圖（平穩(wěn)性檢驗(yàn)和參數(shù)定階基礎(chǔ)）輸出白噪聲檢驗(yàn)結(jié)果Identifyvar=x(d);對(duì)X的d步差分變量進(jìn)行識(shí)別，輸出上面三種結(jié)果Identifyvar=x(1);對(duì)X的一階差分變量進(jìn)行識(shí)別Identifyvar=x(1，1);對(duì)X的二階差分變量進(jìn)行識(shí)別Identifyvar=x(1，4);對(duì)X的一階和4步差分后變量進(jìn)行識(shí)別（通常用于有趨勢(shì)和有周期的序列識(shí)別）IDENTIFY可選命令Nlag=k；指明計(jì)算自相關(guān)系數(shù)和互相關(guān)系數(shù)過(guò)程中需要考慮的延遲階數(shù)。如果不特別指定nlag的階數(shù)，計(jì)算機(jī)默認(rèn)的輸出階數(shù)是min(24,n/4)Minicp=(p1:p2)q=(q1:q2)；在自相關(guān)階數(shù)跑遍p1-p2，移動(dòng)平均階數(shù)跑遍q1-q2的范圍內(nèi)，尋找AIC最小的模型階數(shù)（一種傻瓜型定階方法）Stationarity=（）；單位根檢驗(yàn)（df,adf或pp檢驗(yàn)，其中df檢驗(yàn)等于adf(1)檢驗(yàn)）Crosscorr=(一個(gè)或多個(gè)輸入變量名)指定輸入變量（可以是原序列也可以是差分序列），單個(gè)輸入變量可以不加括號(hào)，多個(gè)輸入變量要加括號(hào)Outcov=文件名將自協(xié)方差，自相關(guān)系數(shù)，偏自相關(guān)系數(shù)和逆自相關(guān)系數(shù)寫入該文件集中例句Identifyvar=cpi(1)nlag=18stationarity=(adf=3);對(duì)cpi的一階差分序列進(jìn)行識(shí)別，輸出延遲18階的基本統(tǒng)計(jì)，自相關(guān)信息和白噪聲檢驗(yàn)信息對(duì)cpi的一階差分序列進(jìn)行滯后階數(shù)分別等于0,1,2,3的adf檢驗(yàn)Identifyvar=cpi(1)nlag=18stationarity=(pp=2);對(duì)cpi的一階差分序列進(jìn)行滯后階數(shù)分別等于0,1,2的pp檢驗(yàn)其他同上例句Identifyvar=cpi(1)minicp=(0:5)q=(0:5);對(duì)cpi一階差分序列進(jìn)行識(shí)別，輸出基本統(tǒng)計(jì)，自相關(guān)信息和白噪聲檢驗(yàn)信息對(duì)cpi一階差分序列尋找最優(yōu)擬合階數(shù)（p>=5,q<=5)例句Identifyvar=cpi(1)crosscorr=gdp;對(duì)cpi的一階差分序列進(jìn)行識(shí)別以gdp作為輸入變量，cpi的一階差分序列作為響應(yīng)變量，對(duì)這兩個(gè)變量之間的互相關(guān)關(guān)系進(jìn)行識(shí)別Identifyvar=cpi(1)crosscorr=gdp(1);對(duì)cpi的一階差分序列進(jìn)行識(shí)別（輸出滯后12階的相關(guān)信息）以gdp的一階差分序列作為輸入變量，cpi的一階差分序列作為響應(yīng)變量，對(duì)這兩個(gè)變量之間的互相關(guān)關(guān)系進(jìn)行識(shí)別Identifyvar=cpi(1)crosscorr=（gdp(1)interest）;對(duì)cpi的一階差分序列進(jìn)行識(shí)別（輸出滯后12階的相關(guān)信息）以gdp的一階差分序列和interest作為輸入變量，cpi的一階差分序列作為響應(yīng)變量，對(duì)解釋變量和響應(yīng)變量之間的互相關(guān)關(guān)系進(jìn)行識(shí)別Identifyvar=cpi(1)nlag=12crosscorr=（gdp(1)interest）outcov=out;其他同上輸出延遲階數(shù)為12的自相關(guān)和偏自相關(guān)系數(shù)信息相關(guān)系數(shù)的信息存入數(shù)據(jù)集outESTIMATE命令給出指定模型的所有參數(shù)的估計(jì)值參數(shù)的顯著性檢驗(yàn)情況殘差的白噪聲檢驗(yàn)情況

命令格式Estimatep=自相關(guān)階數(shù)q=移動(dòng)平均階數(shù);p或q如果為零，可以忽略不寫例句Identifyvar=x;Estimatep=1q=1;擬合ARMA(1,1)模型Identifyvar=x(1);Estimatep=(13);擬合項(xiàng)疏系數(shù)模型Identifyvar=x(1);Estimatep=1q=1;擬合ARIMA(1,1,1)模型Identifyvar=x(14);Estimatep=(1)(4)q=(1)(4)noint;擬合無(wú)常數(shù)項(xiàng)乘積模型ARIMA(1,1,1)×ARIMA4(1,1,1)模型帶輸入變量的估計(jì)命令I(lǐng)nput(d$(q)/(p)輸入變量名)對(duì)輸入變量序列的ARIMA(p,d,q)變化量作為解釋變量，與相應(yīng)變量進(jìn)行回歸分析例句Identifyvar=cpi(1)crosscorr=gdp(1);Estimateinput=(1$gdp);對(duì)cpi的一階差分序列和gdp的一階差分序列建立回歸模型例句Identifyvar=cpi(1)crosscorr=gdp(1);Estimateinput=(1$(1)/(1)gdp);對(duì)cpi的一階差分序列和gdp的一階差分序列建立如下回歸模型Identifyvar=cpi(1)crosscorr=gdp(1);Estimatep=2input=(1$(1)/(1)gdp);對(duì)cpi的一階差分序列和gdp的一階差分序列建立如上回歸模型，同時(shí)對(duì)殘差序列擬合AR(2)模型問(wèn)題要擬合如下模型如何寫命令：FORECAST命令給出估計(jì)值及置信區(qū)間給出指定期數(shù)的預(yù)測(cè)值及置信區(qū)間選擇是否輸出預(yù)測(cè)結(jié)果命令格式FORECASTlead=預(yù)測(cè)期數(shù)id=時(shí)間標(biāo)示interval=單位時(shí)間間隔alpha=aout=輸出結(jié)果數(shù)據(jù)集；如果procarima中指定了輸出文件集，這里又一次指定了輸出文件集名，這個(gè)名稱覆蓋前一個(gè)名稱。例句FORECASTlead=5

id=timeinterval=monthalpha=0.01out=result；將相應(yīng)變量的估計(jì)值及5期預(yù)測(cè)值及它們的99%置信區(qū)間存入result這個(gè)數(shù)據(jù)集中，該數(shù)據(jù)以time為時(shí)間變量，該變量為月度數(shù)據(jù)例句練習(xí)procarimadata=seriesj;

identifyvar=xnlag=10;

estimatep=3;

identifyvar=ycrosscorr=(x)nlag=10;

estimateinput=(3$(1,2)/(1,2)x)plot;

estimatep=2input=(3$(1,2)/(1)x);

run;

AUTOREG過(guò)程回歸分析進(jìn)行帶自相關(guān)誤差的回歸分析條件異方差建模RUTOREG命令Procautoregdata=文件名；Model應(yīng)變量=自變量/nlag=mlagdep=延遲因變量garch=(p=q=type=)nointmethod=估計(jì)方法Dw=dwprobtationarity=(phillips);Outputout=輸出文件名p=預(yù)測(cè)值pm=預(yù)測(cè)均值rm=殘差值lcl=置信下限ucl=置信上限；Type的類型TYPE=

-EXPspecifiestheexponentialGARCHorEGARCHmodel.

-INTspecifiestheintegratedGARCHorIGARCHmodel.

MEAN=value

specifiesthefunctionalformoftheGARCH-Mmodel.ThevaluesoftheMEAN=optionare

LINEARspecifiesthelinearfunction.

LOGspecifiesthelogfunction.

SQRTspecifiesthesquarerootfunction.

Method的類型METHOD=ML

specifiesmaximumlikelihoodestimatesMETHOD=ULS

specifiesunconditionalleast-squaresestimatesMETHOD=YW

specifiesYule-WalkerestimatesMETHOD=ITYW

specifiesiterativeYule-Walkerestimates

例句Procautoregdata=a;Modely=t/nlag=5method=mlbackstep;Run;構(gòu)建如下模型，使用極大使然估計(jì)方法，自回歸的階數(shù)最大為5，最合適的階數(shù)由逐步回歸確定例句Procautoregdata=a;Modely=t/nlag=2method=ml;Run;構(gòu)建如下模型，使用極大使然估計(jì)方法例句Procautoregdata=a;Modely=/nlag=2method=ml;Run;構(gòu)建如下模型，使用極大使然估計(jì)方法例句Dataa;Seta;Lagy=lag(y);Procautoregdata=a;Modey=lagy/lagdep=lagy;構(gòu)建如下回歸模型，因?yàn)樽宰兞渴且蜃兞康囊浑A延遲，所以殘差自相關(guān)檢驗(yàn)是donbin-h檢驗(yàn)例句Procautoregdata=a;Modely=x/nlag=2garch=(p=1q=1noint)method=ml;Run;構(gòu)建如下模型，使用極大使然估計(jì)方法練習(xí)procautoregdata=ibmmaxit=50;

modelr=/nointgarch=(q=2);

outputout=acev=v;

run;

練習(xí)用AUTOREG程序，采用E-G兩步法編寫協(xié)整與誤差修正程序VARMAX過(guò)程Granger檢驗(yàn)協(xié)整分析誤差修正模型向量自回歸（含脈沖響應(yīng)和方差分解）命令格式Procvarmaxdata=文件名;Model相應(yīng)變量=解釋變量/p=自回歸階數(shù)cointtest=(johansen=)ecm=(rank=normalize=)print=（impulsedecompose()printform=）;CAUSALgroup1=(variables)group2=(variables);Outputout=文件名lead=預(yù)測(cè)期；協(xié)整檢驗(yàn)PROCVARMAXDATA=文件名；MODELVAR1-VARp/COINTTEST=(JOHANSEN=);JOHANSEN=TRACE/跡檢驗(yàn)/JOHANSEN=MAX/最大特征根檢驗(yàn)/Granger因果檢驗(yàn)CAUSALgroup1=(variable