应用时间序列实验报告.pdf

1、 时间序列分析课程设计 学 生姓名学号 ： 学 院： 理学院 专 业 班 级： 专 业 课 程： 时间序列分析课程设计 指 导 教 师： 2017 年 6 月 2 日 考核项目 考核内容 得分 平时考核（ 20 分 ） 出勤情况、实训态度、效率；知识掌握情况、基本操作技能、知识应用能力、获取知识能力 实验一（ 20 分） 完成此实验并获得实验结果 实验二（ 20 分） 完成此实验并获得实验结果 实验三（ 20 分） 完成此实验并获得实验结果 文档资料（ 20 分） 表达能力、文档写作能力和文档的规范性 总评成绩 指导教师评语： 目 录 1. 实验一 澳大利亚常住人口变动分析 1 1.1 实验目

2、的 . 1 1.2 实验原理 . 1 1.3 实验内容 . 2 1.4 实验过程 . 3 2. 实验二 我国铁路货运量分析 8 2.1 实验目的 . 8 2.2 实验原理 . 8 2.3 实验内容 . 9 2.4 实验过程 . 10 3. 实验三 美国月度事故死亡数据分析 14 3.1 实验目的 . 14 3.2 实验原理 . 15 3.3 实验内容 . 15 3.4 实验过程 . 16 课程设计体会 19 1 1.实验一 澳大利亚常住人口变动分析 1971 年 9 月 1993 年 6 月澳大利亚常住人口变动（单位：千人）情况如 表1-1所示（行数据）。 表 1-1 63.2 67.9 55

3、.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 37.3 34.2 47.6 37.3 39.2 47.6 43.9 49 51.2 60.8 67 48.9 65.4 65.4 67.6 62.5 55.1 49.6 57.3 47.3 45.5 44.5 48 47.9 49.1 48.8 59.4 51.6 51.4 60.9 60.9 56.8 58.6 62.1 64 60.3 64

4、.6 71 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 -47.4 62.2 60 33.1 35.3 43.4 42.7 58.4 34.4 （ 1）判断该序列的平稳性与纯随机性。 （ 2）选择适当模型拟合该序列的发展。 （ 3）绘制该序列拟合及未来 5年预测序列图。 1.1 实验目的 掌握用 SAS 软件对数据进行相关性分析， 判断序列的平稳性与纯随机性 ,选择模型拟合序列发展 。 1.2 实验原理 （ 1）平稳性检验 与纯随机性检验 对序列的平稳性检验有两种方法，一种是根据时序图和自相关图显示的特征做出判

5、断的图检验法；另一种 是单位根检验法。 2 （ 2） 模型识别 先对模型进行定阶，选出相对最优的模型，下一步就是要估计模型中未知参数的值，以确定模型的口径，并对拟合好的模型进行显著性诊断。 （ 3）模型预测 模型拟合好之后，利用该模型对序列进行短期预测。 1.3 实验内容 （ 1） 判断该序列的平稳性与纯随机性 时序图检验，根据平稳时间序列均值、方差为常数的性质，平稳序列的时序图应该显示出该序列始终在一个常识值附近波动，而且波动的范围有界。 如果序列的时 序图显示该 序列 有明显的趋势性或周期性，那么它通常不是平稳序列 。 对自相关图进行检验时，可以用 SAS 系统 ARIMA 过程中的 ID

6、ENTIFY 语句来做自相关图。 而单位根检验我们用到的是 DF检验。以 1阶自回归序列为例： 11t t txx 该序列的特征方程为： 0 特征根为： 当特征根在单位圆内时： 1 1 该序列平稳。 当特征根在单位圆上或单位圆外时： 1 1 该序列非平稳。 对于纯随机性检验，既白噪声检验，可以用 SAS 系统中的 IDENTIFY 语句来输出白噪声检验的结果。 （ 2）选择适当模型拟合该序列的发展 3 先对模型进行定阶，选出相对最优的模型，下一步就是要估计模型中未知参数的值，以确定模型的口径，并对拟合好的模型进行显著性诊断。 ARIMA 过程的第一步是要 IDENTIFY 命令对该序列的平稳性

7、和纯随机性进行识别，并对平稳非白噪序列估计拟合模型的阶数。使用命令如下： proc print data=example3_20; IDENTIFY VAR =people nlag=8 minic p= (0:5) q =(0:5); run; （ 3）绘制该序列拟合及未来 5年预测序列图 模型拟合好之后，利用该模型对序列进行短期预测。预测命令如下： forecast lead=5 id=time out=results; run; 其中， lead 指定预期数； id 指定时间变量标识； out 指定预测后期的结果存入某个数据集。 利用存储在临时数据集 RESULTS里的数据，我们可以绘制

8、拟合预测图，相关命令如下： 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 c=black i=join v=none; symbol3 c=green i=join v=none l=32; run; 1.4 实验过程 按照实验的过程 运行 程序 ，对程序结果的分析如下： （ 1） 判断该序列的平稳性与纯随机性 4 图 1-1 1971 年 9 月 -1993 年 6 月澳大利亚季度常住

9、人口变动序列时序 图 时序图显示澳大利亚季度常住人口围绕在 52 千人附近随机波动，没有明显趋势或周期，基本可视为平稳模式。 图 1-2 序列自相关图 自相关图显示该序列的自相关系数一直都比较小，始终控制在 2 倍的标准差范围以内，故认为该序列是平稳序列 。 图 1-3 序列的单位根检验结果 根据第五列、第六列输出的结果我们可以判断，当显著性水平 取 0.05时，5 序 列非平稳，但当消除线性趋势之后序列平稳 。 图 1-4 白噪声检验输出结果 可以看到延迟 6 阶、 12 阶的检验 P 值均小于 0.05，故拒绝原假设，认为该序列为非白噪声序列（非纯随机序列） 。 （ 2）选择适当模型拟合该

10、序列的发展 图 1-5 IDENTIFY 命令输出的最小信息量结果 最后一条信息显示，在自相关延迟阶数也小于等于 5 的所有 ARMA(p， q)模型中， BIC 信息量相对于最小的是 ARMA（ 1， 3）模型 。 图 1-6 ESTIMATE 命令输出的未知参数结果 图 1-7 ESTIMATE 命令输出的拟合统计量结果 6 图 1-8 ESTIMATE 命令输出的系数矩阵 图 1-9 ESTIMATE 命令输出的残差自相关检验结果 从输出结果可以看出由于延迟各阶的 LB 统计量的 P 值均显著大于 （ 0.05 ），所以该拟合模型显著成立 。 图 1-10 ESTIMATE 命令输出的拟

11、合模型形式 该输出形式等价于： 23( 1 0 . 6 2 4 1 5 B 0 . 2 5 3 6 9 3 B 0 . 2 9 5 3 B )ttx 或记为： 1 2 30.62 415 0.25 369 3 0.29 53t t t t tx （ 3）绘制该序列拟合及未来 5年预测序列图 图 1-11 FORECAST 命令输出的 5 年预测结果 拟合效果图如图 1-11： 7 图 1-12 拟合效果图 8 2.实验二 我国铁路货运量分析 我国 1949 2008年每年铁路货运量（单位：万吨）数据如表 2-1所示。 表 2-1 年 货运量 年 货运量 年 货运量 1949 5589 1969

12、 53120 1989 151489 1950 9983 1970 68132 1990 150681 1951 11083 1971 76471 1991 152893 1952 13217 1972 80873 1992 157627 1953 16131 1973 83111 1993 162794 1954 19288 1974 78772 1994 163216 1955 19376 1975 88955 1995 165982 1956 24605 1976 84066 1996 171024 1957 27421 1977 95309 1997 172149 1958 38109

13、 1978 110119 1998 164309 1959 54410 1979 111893 1999 167554 1960 67219 1980 111279 2000 178581 1961 44988 1981 107673 2001 193189 1962 35261 1982 113495 2002 204956 1963 36418 1983 118784 2003 224248 1964 41786 1984 124074 2004 249017 1965 49100 1985 130709 2005 269296 1966 54951 1986 135635 2006 28

14、8224 1967 43089 1987 140653 2007 314237 1968 42095 1988 144948 2008 330354 请选择适当的模型拟合该序列，并预测 2009 2013年我国铁路货运量。 2.1 实验目的 掌握用 SAS 软件对数据进行相关性分析， 掌握对非平稳时间序列的随机分析， 选择 合适 模型 ， 拟合序列发展。 2.2 实验原理 ARIMA模型的预测和 ARMA模型的预测方法非常类似。 (p,d,q)ARIMA 模型的一般表示方法为： 9 (B) (B)d ttx 同时可以简记为： (B)(B)d ttx 式中， t 为零均值白噪声序列。 我们可以从

15、上式看出， ARIMA 模型的实质就是差分与 ARMA 模型的组合，这说明任何非平稳序列如果能通过适当阶数的差分实现差分后平稳，就可以对差分后序列进行 ARMA模型拟合。 （ 1） 对差分平稳后的序列可以使用 ARIMA 模型进行拟合， ARIMA 建模操作流程如图 2-1所示。 图 2-1 建模流程 2.3 实验内容 由于 ARMA 模型是 ARIMA 模型的一种特例，所以在 SAS 系统中这两种模型的拟合都放在 ARMA过程中。 先利用时序图分析模型是否平稳，可以运用实验一的程序来实现。再对该序平稳性检白噪声检分析结束 通过 差分运算 拟合 ARMA 模型 未 通过 平稳 不平稳 获得观察

16、值序 列 10 列进行 1阶差分运算，同时考虑差分后序列的平稳性，添加如下命令： difhuoyunliang=dif(huoyunliang); 命令“ difhuoyunliang=dif(huoyunliang);”是指令系统对变量进行的 1阶差分后的序列值赋值给变量 difhuoyunliang，其中 dif()是差分函数。利用差分函数得出平稳模型。 再对模型进行定阶和进行预测。 模型定阶： identify var=difhuoyunliang(1) nlag=8 minic p=(0:5) q=(0:5)； 模型预测： forecast lead=5 id=time； 2.4 实验

17、过程 （ 1） 判断序列的平稳性 图 2-2 我国 1949 2008 年每年铁路货运量时序图 通过分析可知，该时序图有明显的上升趋势，所以为 非平稳序列。在此，对该序列进行 1阶差 分运算。 huoyunliang0100000200000300000400000timeJAN1945 JAN1950 JAN1955 JAN1960 JAN1965 JAN1970 JAN1975 JAN1980 JAN1985 JAN1990 JAN1995 JAN2000 JAN2005 JAN201011 图 2-3 1阶差分后序列时序图 图 2-4 1阶差分后序列自相关图 通过分析可知 ， 时序图显示

18、差分后序列 没有明显的非平稳特征；自相关图显示序列有很很强的短期相关性，所以可认为 1阶差分后序列平稳。 对平稳的 1阶查分序列进行白噪声检验，检验结果如图 图 2-5 1阶差分后序列白噪声检验 默认显著性水平为 0.05的条件下，由于延迟 6阶、 12阶的 P值为 0.0012和0.0098，小于 0.05，所以该差分后序列不能视为白噪声序列，即差分后的序列还蕴含着不容忽视的相关信息可供提取。 （ 2）对平稳非白噪声查分序列进行拟合 difhuoyunliang-30000-20000-100000100002000030000timeJAN1945 JAN1950 JAN1955 JAN1

19、960 JAN1965 JAN1970 JAN1975 JAN1980 JAN1985 JAN1990 JAN1995 JAN2000 JAN2005 JAN201012 图 2-6 IDENTIFY 命令输出的最小信息量结果 最后一条信息显示，在自相关延迟阶数也小于等于 5 的所有 (p,q)ARMA 模型中， BIC 信息量相对于最小的 是 (1,0)ARMA 模型。 考虑到前面已经进行的 1阶差分运算，实际上是用 (1,1,0)ARIMA 模型拟合原序列。 图 2-7 ESTIMATE 命令输出的未知参数结果 图 2-8 ESTIMATE 命令输出的拟合统计结果 图 2-8 ESTIMA

20、TE 命令输出的残差自相关检验结果 显然，拟合检验统计量的 P 值均显著大于 显著性水平 （ 0.05 ），所以可以认为改残差序列即为白噪声序列，显著性检验显示两参数均显著，这说明(1,1,0)ARIMA 模型对该序列建模成功。 13 图 2-10 ESTIMATE 命令输出的拟合模型形式 输出结果显示，序列 tx 的拟合模型为 (1,1,0)ARIMA ,模型口径为 ： 1 0.51983ttx B 等价记为 ： 121 .5 1 9 8 3 0 .5 1 9 8 3t t t tx x x 利用拟合模型对序列做 5期预测，结果如图 2-10： 图 2-11 2009-2013 我国铁路货运

21、量预测 14 3.实验三 美国月度事故死亡数据分析 据美国国家安全委员会统计， 1973 1978 年美国月度事故死亡数据如表 3-1所示。 表 3-1 时间 死亡人数 时间 死亡人数 时间 死亡人数 1973年 1月 9007 1975年 1月 8162 1977年 1月 7792 1973年 2月 8106 1975年 2月 7306 1977年 2月 6957 1973年 3月 8928 1975年 3月 8124 1977年 3月 7726 1973年 4月 9137 1975年 4月 7870 1977年 4月 8106 1973年 5月 10017 1975年 5月 9387 19

22、77年 5月 8890 1973年 6月 10826 1975年 6月 9556 1977年 6月 9299 1973年 7月 11317 1975年 7月 10093 1977年 7月 10625 1973年 8月 10744 1975年 8月 9620 1977年 8月 9302 1973年 9月 9713 1975年 9月 8285 1977年 9月 8314 1973年 10月 9938 1975年 10月 8433 1977年 10月 8850 1973年 11月 9161 1975年 11月 8160 1977年 11月 8265 1973年 12月 8927 1975年 12月

23、8034 1977年 12月 8796 1974年 1月 7750 1976年 1月 7717 1978年 1月 7836 1974年 2月 6981 1976年 2月 7461 1978年 2月 6892 1974年 3月 8038 1976年 3月 7776 1978年 3月 7791 1974年 4月 8422 1976年 4月 7925 1978年 4月 8129 1974年 5月 8714 1976年 5月 8634 1978年 5月 9115 1974年 6月 9512 1976年 6月 8945 1978年 6月 9434 1974年 7月 10120 1976年 7月 1007

24、8 1978年 7月 10484 1974年 8月 9823 1976年 8月 9179 1978年 8月 9827 1974年 9月 8743 1976年 9月 8037 1978年 9月 9110 1974年 10月 9129 1976年 10月 8488 1978年 10月 9070 1974年 11月 8710 1976年 11月 7874 1978年 11月 8633 1974年 12月 8680 1976年 12月 8647 1978年 12月 9240 请选择适当模型拟合该序列的发展。 3.1 实验目的 掌握用 SAS 软件对数据进行相关性分析， 掌握对非平稳时间序列的随机分析，

25、 选择 合适 模型 ， 拟合序列发展。 15 3.2 实验原理 在 SAS系统中有一个 AUTOREG程序，可以进行残差自相关回归模型拟合。 残差自回归模型的构思是首先通过确定性因素分解方法提取序列中主要的确定性信息： t t t tx T S （ 1） 式中， tT为趋势效应拟合； tS 为季节效应拟合。 考虑到因素分解方法对确定性信息的提取可能不够充分，因而需要进一步检验残差序列 t 的自相关性。 如果检验结果显示残差序列的自相关性不显著说明确定性回归模型 （ 1） 对信息的提取比较充分，可以停止分析。 如果检验结果显示残差序列的自相关显著，说明确定性回归模型 （ 1）对信息的提取不充分，

26、这时可以考虑对残差序列拟合自回归模型，进一步提取相关信息： 11t t p t p ta 这样构造的模型 : t t t tx T S 11t t p t p ta (a) 0tE , 2(a )tVar , (a , a ) 0t t iCov , 1i 这就是自回归模型。 3.3 实验内容 首先建立数据集和绘制时序图参照实验一，接下来建立因变量关于时间的回归模型。主要程序如下： proc autoreg data=example4_3; model death=time/ dwprob; 输出如下 三 方面结果：普通最小二乘估计结果、 回归误差分析、最终拟合模16 型，详细分析见下面的实验

27、过程。 3.4 实验过程 （ 1）绘制时序图 图 3-1 1973 1978 年美国月度事故死亡数据的时序图 时序图显示，有一定规律 性的波动，所以考虑使用误差自回归模型拟合该序列的发展。 图 3-2 序列关于变量 t 的线性回归模型的最小二乘估计结果 输出结果显示， DW 统计量的值等于 0.6020，输出概率显示残差序列显著正相关，所以应该考虑对残差 序列拟合自相关模型。 （ 2） 建立关于时间的回归模型 输出结果的详细分析： 该部分输出信息包括误差平方和（ SSE）、自由度（ DFE）、均方误差（ MSE）、根号均方误差（ Root MSE）、 SBC信息量、 AIC信息量、回归部分相关

28、系数平方（ Regress R-Square）、总的相关系数平方（ Total R-Square） ,DW统计量及所有待估计参数的自由度、估计值、标准差、 t 值和 t 统计量的 P值 ， 如death6000700080009000100001100012000timeJAN1973 MAY1973 SEP1973 JAN1974 MAY1974 SEP1974 JAN1975 MAY1975 SEP1975 JAN1976 MAY1976 SEP1976 JAN1977 MAY1977 SEP1977 JAN1978 MAY1978 SEP1978 JAN197917 图 3-3所示。 图

29、 3-3 普通 最小二乘估计结果 回归误差分析 ： 该部分共输出四个信息：残差序列自相关图、逐步回归消除的不显著项报告、初步均方误差（ MSE）、自回归参数估计值。如图所示： 图 3-4 自回归误差分析输出 结果 输出的残差序列自相关图显示残差序列有非常显著的 1阶正相关性。逐步回归消除报告显示除了延迟 1阶的序列值显著自相关外，延迟其他阶数的序列值均不具有显著的自相关性，因此延迟 25阶的自相关项被剔除。 最终拟合模型 如下图 3-5所示： 18 图 3-5 最终拟合模型输出 结果 拟合模型为： 11.48960.87 57 , 0 , 518 294tti i dt t t tx t uu

30、 u N :拟合图如图 3-6 图 3-6 拟合效果图 death6000700080009000100001100012000timeJAN1973 MAY1973 SEP1973 JAN1974 MAY1974 SEP1974 JAN1975 MAY1975 SEP1975 JAN1976 MAY1976 SEP1976 JAN1977 MAY1977 SEP1977 JAN1978 MAY1978 SEP1978 JAN197919 课程设计体会 通过一周的实训，让我对应用时间序列这一门课程有了更深的理解和掌握，让我从前一段的理论知识学习进入到了应用与实践，实践出真知，平常所学的理论只有

31、通过实践，自己动手之后才能真正感觉到知识的乐趣。 在整个实验过程中，所有的代码都是由我来负责编写及修改的，同时，我也负责对自己用代码得出的结果进行截图以及进行结果分析。 实验一要求我们绘制时序图，判平稳、进行纯随机性检验、绘制样本自相关图、模型识别以及模型定阶。通过观察时序图的是否具有明显的趋势性或周期性来得出模型是否平稳；样本自相关图显示出来的性质可以检验我们通过时序图得出的结论是否正确，之后的纯随机性检验是为了确定平稳序列是否值得我们继续分析下去；之后进行相对最优定阶，当然这个定阶，只能作为定阶参考，因为使用这种方法定阶未必比经验定阶准确 ，之后得出拟合模型的具体形式及进行序列预测。 实验

32、二是建立在实验一的基础上来做的，实验二我们选用的是 ARIMA 模型来做的，但是与实验 一不同的是，实验二对模型进行了差分运算，因为差分运算可以将一个非平稳序列转化平稳序列，之后对差分序列进行 ARMA 模型拟合，这样结合实验一和实验二我们便可以得出实验二模型。 实验三我们选择的是残差自回归模型进行拟合的，通过查阅，我知道了残差自回归模型是一种拟合非平稳时间序列的方法，它既能提取序列的确定性， ,又能提取其随机性信息，不仅提高了模型的拟合精度，同时也使的结果变得更实际，也更易解释。但是在实际操作的过程中，我发现这个模型拟合确实比其他模型拟合难，以至于自己对得出的结果都无法肯定对错。 通过三个实

33、验，只 能说让我初步的了解到了这门课的有意思之处，同时，也让我对 SAS这个软件有了初步的认知，就比如说在操作过程中一个不显眼的小字符错了，程序就会一遍遍的报错，但是在实际操作过程中，我们又非常容易忽视掉这些，从而导致我们有时候会花费许多时间在这上面。所以我们平常思考问题做事情都要认真严谨。 当然在整个实训过称中，要非常感谢老师对我们的教导，通过老师的指导，才能让我们顺利的完成这次实训。 为期一周的实训已经结束了，但由于端午节放假，实训时间就缩短为了 3天，20 所以时间上很紧张。但是我们还是完成了试验，收获了很多，一方面学 习到了以前没有用过的 SAS 软件，另一方面把所学的时间序列分析在实

34、际中得到了应用，还有团队合作能力得到了加强。 第一天老师介绍了实训的软件 SAS，并讲了一些基础知识和基本的操作步骤，并把时间序列的知识进行了大致的回顾。 接下来上机做了一些简单的练习 ， 练习了一下 SAS的简单操作步骤，知道了怎么把数据导入数据集，接着练习了第二章的课后习题，通过输出的序列的时序图和序列自相关图来判断该序列的平稳性和纯随机性。在这个过程中需要调试程序，刚开始输入了课本上的程序，但运行有错误，仔细查看不是字母打错就是缺少标点符号，经过几 次不断地改进，得到了正确的结果。 第二天老师讲解了平稳性序列的分析，对建模步骤和具体要用到的函数做了详细说明，由于是三个人合作完成一份实验，

35、所以我的工作就是了解整个试验建模的过程和思想然后编写文档，把我队友软件输出的结果加以分析。这是三个人完成的第一个试验，所以速度上不是很快。在期间也遇到了很多问题，比如我们对模型的选择、对结果的分析都存在争议，但最后都得到了解决。 第三天时间更加的紧张 ， 由于昨天一天做了有个试验 ， 可是一共有三个试验 ，所以在第三天也就是最后一天要完成另外两个试验 。这两个试验是第四章非平稳序列 的随机分析， 好在有了实验一的基础 ， 程序就相对简单了一些 ， 但我编辑文档的工作量就很大 。 在我和队友交流了经过调试后要选用的模型和结果分析后我就开始了两个试验的文档编辑工作 。 期间有对自己所选模型是否是最

36、合适的模型产生过怀疑 ， 但通过和同学老师的交流得到了解决 。 最后的一步工作就是对整个文档的排版 ， 因为去年参见过数学建模 ， 所以在排版方面还有一定的基础 ， 按照实验报告的格式进行了排版 。 总结一下 ， 就我自己而言之前对时间序列这门课的掌握程度还不高 ，通过实训得到了提高，但平心而论对知识的把握还是不够完善和系统，希望以后的学习中能得到提高。还要感谢老师，对我们完成试验的帮助和对疑问的解答，老师对我们真的是认真负责，谢谢老师！ 经过一周的学习与实践，应用时间序列分析这门科学让我受益颇多。首先实践阶段第一个接触的就是 SAS软件 ，在 SAS 系统中有一个专门进行计量经济与时21 间

37、序列分析的模块。同时，由于 SAS系统具有全球一流的数据仓库功能，因此在进行海量数据的时间序列分析时具有很大的优势。而在学习 SAS软件时遇到了不少的障碍，经过老师的讲解后还是有许多功能不是太了解，导致在进行实践操作时出了不少的错误，后来经过咨询老师解决了问题。 在除了学习 SAS 软件外，我们需要进一步掌握的是时间序列中的一些案例模型。在进行分析时，有许多都用到了 ARMA 模型，这时我们就需要结合理论知识与 SAS。其中拟合序列的发展，确定并检验序列的平稳性等等都是需要解决的问题。在解决这些问题时，每一步都是一个需 要细心与耐心的过程。当其中任何一处出现小的失误都会使结果出现错误，进而解决

38、不了该问题。 可以说这次实训不仅使我学到了知识，丰富了经验。也帮助我缩小了实践和理论的差距。 我收获了很多，一方面学习到了许多 以前没学过的专业知识与知识的应用，另一方面还提高了自己动手 的能力。本次实训，是对我能力的进一步锻炼，也是一种考验。从中获得的诸多收获，也是很可贵的，是非常有意义的。在实训中我学到了许多新的知识。是一个让我把书本上的理论知识运用于实践中的好机会，原来，学的时候感叹学的内容太难懂，现在想来，有些其实并不难，关键在于理 解。在这次实训中还锻炼了我其他方面的能力，提高了我的综合素质。首先， 它锻炼了我做 实验 的能力，提高了独立思考问题、自己动手操作的能力，在工作的过程中，

39、复习了以前学习过的知识，并掌握了一些应用知识的技巧等。其次，实训中的项目作业也使我更加有团队精神。 这次实训将会有利于我更好的适应以后的工作。我会把握和珍惜实训的机会，在未来的工作中我会把学到的理论知识和实践经验不断的应用到实际工作中，为实现理想而努力。 22 附录 实验一程序 ： data example3_20; input people; time=intnx (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 4

40、9.5 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 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 5

41、8.5 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=EXAMPLE3_20; /*pingwenxingjianyan*/ IDENTIFY VAR =people; IDENTIFY VAR =people nlag=8 minic p= (0:5) q =(0:5); proc print data=example3_20; /*PROC GPLOT DATA=EXAMPLE3_20; */ /*plot people*time;*/ /*sym

42、bol c=black v=dot i=join; */ proc arima data=example3_20; identify var=people stationarity= (adf=1);/*danweigenbujianyan*/ ESTIMATE p=1 Q=3 ; /*moxingnihe*/ forecast lead=5 id=time out=results;/*yuce5nian*/ proc gplot data=results;/*xulienihejiweilai5niande yucetu */ plot people*time=1 forecast*time

43、=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 v=dot l=32; run; 23 实验二程序： data example4_2; input huoyunliang; difhuoyunliang=dif(huoyunliang); time=intnx (year,01JAN1949d,_n_-1); format time monyy7.; cards; 5589 9983 11083 13217

44、16131 19288 19376 24605 27421 38109 54410 67219 44988 35261 36418 41786 49100 54951 43089 42095 53120 68132 76471 80873 83111 78772 88955 84066 95309 110119 111893 111279 107673 113495 118784 124074 130709 135635 140653 144948 151489 150681 152893 157627 162794 163216 165982 171024 172149 164309 167

45、554 178581 193189 204956 224248 249017 269296 288224 314237 330354 ; /*proc print data=example4_2;*/ /*proc gplot;*/ /*plot difhuoyunliang*time=2;*/ /*symbol1 v=star c=black i=join;*/ /*symbol2 c=black i=join v=star;*/ proc arima data=example4_2; identify var=difhuoyunliang(1) nlag=8 minic p=(0:5) q

46、=(0:5); estimate q=2; forecast lead=5 id=time 24 实验三程序 ： data example4_3; input death; time=intnx (month,01JAN1973d,_n_-1); format time monyy7.; cards; 9007 8106 8928 9137 10017 10826 11317 10744 9713 9938 9161 8927 7750 6981 8038 8422 8714 9512 10120 9823 8743 9129 8710 8680 8162 7306 8124 7870 938

47、7 9556 10093 9620 8285 8433 8160 8034 7717 7461 7776 7925 8634 8945 10078 9179 8037 8488 7874 8647 7792 6957 7726 8106 8890 9299 10625 9302 8314 8850 8265 8796 7836 6892 7791 8129 9115 9434 10484 9827 9110 9070 8633 9240 ; /*proc gplot data=example4_3;*/ /*plot death*time=1;*/ /*symbol1 c=black i=jo

48、in v=star;*/ proc autoreg data=example4_3; /*model death=time/ dwprob;*/ model death=time/ nlag=5 backstep method=ml noint ; output out =out p=xp pm=trend; proc gplot data=out; plot death*time=2 xp*time=3 trend*time=4 / overlay; symbol2 v=star i=none c=blak; symbol3 v=none i=join c=red w=2 l=3; symbol4 v=none i=join c=green w=2; run;