1、1实验指南2目 录实验一 分析太阳黑子数序列3实验二 模拟 AR 模型4实验三 模拟 MA 模型和 ARMA 模型6实验四 分析化工生产量数据8实验五 模拟 ARIMA 模型和季节 ARIMA 模型10实验六 分析美国国民生产总值的季度数据13实验七 分析国际航线月度旅客总数数据16实验八 干预模型的建模19实验九 传递函数模型的建模22实验十 回归与时序相结合的建模253太阳黑子年度数据28美国国民收入数据29化工生产过程的产量数据30国际航线月度旅客数据30洛杉矶臭氧每小时读数的月平均值数据31煤气炉数据35芝加哥某食品公司大众食品周销售数据37牙膏市场占有率周数据39某公司汽车生产数据4
2、4加拿大山猫数据444实验一 分析太阳黑子数序列一、 实验目的：了解时间序列分析的基本步骤，熟悉 SAS/ETS 软件使用方法。二、实验内容：分析太阳黑子数序列。三、实验要求：了解时间序列分析的基本步骤，注意各种语句的输出结果。四、实验时间：2 小时。五、实验软件：SAS 系统。六、实验步骤1、开机进入 SAS 系统。2、 创建名为 exp1 的 SAS 数据集，即在窗中输入下列语句：data exp1;input a1 ;year=intnx(year,1jan1742d,_n_-1);format year year4.;cards;输入太阳黑子数序列(见附表)run;3、 保存此步骤中的
3、程序，供以后分析使用（只需按工具条上的保存按钮然后填写完提问后就可以把这段程序保存下来即可） 。4、 绘数据与时间的关系图，初步识别序列，输入下列程序：proc gplot data=exp1;symbol i=spline v=star h=2 c=green;plot a1*year;run;55、 提交程序，在 graph 窗口中观察序列，可以看出此序列是均值平稳序列。6、 识别模型，输入如下程序。proc arima data=exp1;identify var=a1 nlag=24;run;7、 提交程序，观察输出结果。初步识别序列为 AR(3)模型。8、 估计和诊断。输入如下程序：
4、estimate p=3;run;9、 提交程序，观察输出结果。假设通过了白噪声检验，且模型合理，则进行预测。10、 进行预测，输入如下程序：forecast lead=6 interval=year id=year out=out;run;proc print data=out;run;11、 提交程序，观察输出结果。12、 退出 SAS 系统，关闭计算机。实验二 模拟 AR 模型一、 实验目的：熟悉各种 AR 模型的样本自相关系数和偏相关系数的特点，为理论学习提供直观的印象。二、 实验内容：随机模拟各种 AR 模型。三、 实验要求：记录各 AR 模型的样本自相关系数和偏相关系数，观察各种序
5、列图形，总结 AR 模型的样本自相关系数和偏相关系数的特点四、 实验时间：2 小时。五、 实验软件：SAS 系统。六、 实验步骤1、开机进入 SAS 系统。62、 模拟实根情况，模拟 过程。tttt azz214.06.3、 在 edit 窗中输入如下程序：data a;x1=0.5;x2=0.5;n=-50;do i=-50 to 250;a=rannor(32565);x=a-0.6*x1+0.4*x2;x2=x1;x1=x;n=n+1;if i0 then output;end;run;4、观察输出的数据，输入如下程序，并提交程序。proc print data=a;var x;proc
6、 gplot data=a;symbol i=spline c=red;plot x*n;run;5、 观察样本自相关系数和偏相关系数，输入输入如下程序，并提交程序。proc arima data=a;identify var=x nlag=10 outcov=exp1;run;proc gplot data=exp1;symbol i=needle width=6;7plot corr*lag;run;proc gplot data=exp1;symbol i=needle width=6;plot partcorr*lag;run;6、 作为作业把样本自相关系数和偏相关系数记录下来。7、
7、估计模型参数，并与实际模型的系数进行对比，即输入如下程序，并提交。proc arima data=a;identify var=x nlag=10 ;run;estimate p=2;run;8、 模拟虚根情况，模拟 过程。重复步骤 3-7 即可（但部分程序ttt azz215.0需要修改，请读者自己完成） 。9、 模拟 AR(3)模型，模拟 过程。重复步骤 3-7 即ttttt azz 321.0.4.可(但部分程序需要修改，请读者自己完成).10、回到 graph 窗口观察各种序列图形的异同11、退出 SAS 系统,关闭计算机.实验三 模拟 MA 模型和 ARMA 模型一、 实验目的：熟悉
8、各种 MA 模型和 ARMA 模型的样本自相关系数和偏相关系数的特点，为理论学习提供直观的印象。二、 实验内容：随机模拟各种 MA 模型和 ARMA 模型。三、 实验要求：记录各 MA 模型和 ARMA 模型的样本自相关系数和偏相关系数，观察各序列的异同，总结 MA 模型和 ARMA 模型的样本自相关系数和偏相关系数的特点四、 实验时间：2 小时。8五、 实验软件：SAS 系统。六、 实验步骤1、 开机进入 SAS 系统。2、模拟 情况，模拟 过程。0,21 tt aBx)24.065.1(3 在 edit 窗中输入如下程序：data a;a1=0;a2=0;do n=-50 to 250;a
9、=rannor(32565);x=a+0.65*a1+0.24*a2;a2=a1;a1=a;if n0 then output;end;run;4、观察输出的数据序列，输入如下程序，并提交程序。proc gplot data=a;symbol i=spline;plot x*n; run;5、观察样本自相关系数和偏相关系数，输入输入如下程序，并提交程序。proc arima data=a;identify var=x nlag=10 outcov=exp1;run;proc gplot data=exp1;symbol1 i=needle c=red;plot corr*lag=1;9run;
10、proc gplot data=exp1;symbol2 i=needle c=green;plot partcorr*lag=2;run;6、 作为作业把样本自相关系数和偏相关系数记录下来。7、 估计模型参数，并与实际模型的系数进行对比，即输入如下程序，并提交。proc arima data=a;identify var=x nlag=10 ;run;estimate q=2;run;8、 模拟 情况，模拟 过程。重复步骤 3-7 即0,21 tt aBx)24.065.1(可（但部分程序需要修改，请读者自己完成） 。9、 模拟 情况，模拟 过程。重复步骤 3-7 即,21tt )(2可（但
11、部分程序需要修改，请读者自己完成） 。10、 模拟 情况，模拟 过程。重复步骤 3-70,21 tt aBx)4.065.1(2即可（但部分程序需要修改，请读者自己完成） 。11、 模拟 ARMA 模型，模拟 过程。2121 4.037. tttttt重复步骤 3-7 即可(但部分程序需要修改，请读者自己完成 ).12、 回到 graph 窗口观察各种序列图形的异同。13、 退出 SAS 系统,关闭计算机.实验四 分析化工生产量数据一、 实验目的：进一步熟悉时间序列建模的基本步骤，掌握用 SACF 及 SPACF 定模型的阶的方法。二、 实验内容：分析化工生产过程的产量序列。10三、 实验要求
12、：掌握 ARMA 模型建模的基本步骤，初步掌握数据分析技巧。写出实验报告。四、 实验时间：2 小时。五、 实验软件：SAS 系统。六、 实验步骤1、 开机进入 SAS 系统。2、 创建名为 exp2 的 SAS 数据集，即在窗中输入下列语句：data exp2;input x ;n=_n_;cards;输入化工生产产量数据序列（见附表)；run;3、 保存此步骤中的程序，供以后分析使用（只需按工具条上的保存按钮然后填写完提问后就可以把这段程序保存下来即可） 。4、 绘数据与时间的关系图，初步识别序列，输入下列程序：proc gplot data=exp2;symbol i=spline v=s
13、tar h=2 c=green;plot x*n;run;5、 提交程序，在 graph 窗口中观察序列，可以看出此序列是均值平稳序列。6、 识别模型，输入如下程序。proc arima data=exp2;identity var=x nlag=12;run;7、 提交程序，观察输出结果，发现二阶样本自相关系数和一阶的样本偏相关系数都在2 倍的标准差之外，那么我们首先作为一阶 AR 模型估计，输入如下程序：estimate plot p=1;run;118、 提交程序，观察输出结果，发现残差能通过白噪声检验，但它的二阶的样本偏相关系数比较大，那么我们考虑二阶 AR 模型。输入如下程序：est
14、imate plot p=2;run;9、 提交程序，观察输出结果，发现残差样本自相关系数和样本偏相关系数都在 2 倍的标准差之内。且能通过白噪声检验。比较两个模型的 AIC 和 SBC,发现第二个模型的 AIC 和 SBC 都比第一个的小，故我们选择第二个模型为我们的结果。10、 记录参数估计值，写出模型方程式。11、 进行预测，输入如下程序：forecast lead=12 out=out;run;proc print data=out;run;12、 提交程序，观察输出结果。13、 退出 SAS 系统，关闭计算机。实验五 模拟 ARIMA 模型和季节 ARIMA 模型一、 实验目的：熟悉
15、各种 ARIMA 模型的样本自相关系数和偏相关系数的特点，区别各种 ARIMA 模型的图形，为理论学习提供直观的印象。二、 实验内容：随机模拟各种 ARIMA 模型。三、 实验要求：记录各 ARIMA 模型的样本自相关系数和偏相关系数观察各序列图形的异同，总结 ARIMA 模型的样本自相关系数和偏相关系数的特点四、 实验时间：2 小时。五、 实验软件：SAS 系统。六、 实验步骤2、 开机进入 SAS 系统。122、模拟 ARIMA(0,1,1)过程，模拟 过程。118.0tttt ax3、 创建数据集，在 edit 窗中输入如下程序：data a;x1=0.9;a1=0;do n=-50 t
16、o 250;a=rannor(32565);x=x1+a-0.8*a1;x1=x;a1=a;if n0 then output;end;run;4、观察输出的数据序列，输入如下程序：。proc gplot data=a;symbol i=spline; plot x*n; run;5、提交程序，在 Graph 窗口中观察图形。6、观察样本自相关系数和偏相关系数，输入输入如下程序： proc arima data=a;identify var=x nlag=10 outcov=exp1;run;proc gplot data=exp1;symbol1 i=needle c=red;plot co
17、rr*lag=1;run;proc plot data=exp1;symbol2 i=needle c=green;13plot partcorr*lag=2;run;7、 提交程序，发现自相关系数成缓慢下降的趋势，说明要做差分运算，做一阶差分运算，输入如下程序：proc arima data=a;identity var=x(1) nlag=24;run;8、 提交程序，观察样本自相关系数与样本偏相关系数，发现自相关系数 1 阶截尾，故判断差分后序列为 MA(1)模型。进行模型参数估计，输入如下程序：estimate q=1 plot;run;9、 提交程序，并观察残差图，发现模型拟合完全。
18、10、写出模型的方程，并与真实模型对比。11、模拟 ARIMA(1,1,0)模型，模拟 过程。重复步骤ttazB)1(5.0(3-10 即可（但部分程序需要修改，请读者自己完成） 。12 模拟 模型，sQDPqdpARIM),)(,模拟 模型,tt aBxB)6.01(4.1( 122即 模型。12),0(,I13、创建数据集，在 edit 窗中输入如下程序：data c;x1=0.9;x2=0;x3=0;x4=0;x5=0;x6=0;x7=0;x8=0;x9=0;x10=0;x11=0;x12=0;x13=0;a1=0;a2=0;a3=0;a4=0;a5=0;a6=0;a7=0;a8=0;a
19、9=0;a10=0;a11=0;a12=0;a13=0;do n=-50 to 250;a=rannor(12345);x=x1+x12-x13+a-0.4*a1-0.6*a12+0.24*a13;x13=x12;x12=x11;x11=x10;x10=x9;x9=x8;x8=x7;14x7=x6;x6=x5;x5=x4;x4=x3;x3=x2;x2=x1;x1=x;a13=a12;a12=a11;a11=a10;a10=a9;a9=a8;a8=a7;a7=a6;a6=a5;a5=a4;a4=a3;a3=a2;a2=a1;a1=a;if n0 then output;end;run;14、 绘
20、序列图，输入如下程序：proc gplot data=c;symbol i=spline c=red;plot x*n;run;15、 提交程序，到 graph 窗口中观察序列图形。16、 初步识别模型，输入如下程序：proc arima data=c;identify var=x nlag=36;run;17、 提交程序，观察样本自相关系数和样本偏相关系数。18、 做季节差分和一阶差分除掉季节因子和趋势因子，输入如下程序：identify var=x(1,12) nlag=36;run;19、 提交程序，观察样本自相关系数和样本偏相关系数，确定模型阶数。20、 估计模型参数，输入如下程序：e
21、stimate q=(1)(12) method=uls plot;run;21、 提交程序，观察残差的样本自相关系数和样本偏相关系数，看是否通过了白噪声检验。写出模型方程式，并与真实模型对比。22、 回到 graph 窗口观察各种序列图形的异同。23、 退出 SAS 系统,关闭计算机.15实验六 分析美国国民生产总值的季度数据一、实验目的：进一步学习数据分析技巧，进一步了解 ARIMA 模型。二、实验内容：47 年 1 季度到 96 年 3 季度美国国民生产总值的季度数据。三、实验要求：写出分析报告。四、实验时间：2 小时。五、实验软件：SAS 系统。六、实验步骤1、开机进入 SAS 系统。
22、2、建立名为 exp3 的 SAS 数据集，输入如下程序：data exp3;input gnp;date=intnx(qtr,1jan47d,_n_-1);format date yyqc.;cards;输入美国国民生产总值的数据；run;注：Intnx 函数按间隔递增日期，Intnx 函数计算某个区间经过若干区间间隔之后的间隔的开始日期或日期时间值，其中开始间隔内的一个日期或日期时间值给出。Intnx 函数的格式如下：Intnx(interval,from,n)3 保存上述程序，供以后分析使用（只需按工具条上的保存按钮，然后填写完提问后就可以把这段程序保存下来） 。4、 绘序列图，输入如下
23、程序：proc gplot data=exp3;symbol1 i=spline;plot gnp*date=1;16run;5、 观察图形，发现图形成指数函数上升形式，故做对数变换，输入如下程序：data lexp;set exp3;lgnp=log(gnp);run;6、 绘变换后序列图，输入如下程序：proc gplot data=lexp;symbol2 i=spline c=red;plot lgnp*date=2;run;7、 提交程序，到 graph 窗口中观察变换后的序列图，可以看出它成直线上升趋势。对序列做初步识别，输入如下程序：proc arima data=lexp;id
24、entify var=lgnp nlag=12;run;8、 提交程序，观察样本自相关系数，可看出有缓慢下降趋势，结合我们观察的图形，我们知道要对序列做差分运算，作一阶差分，输入如下程序：identify var=lgnp(1) nlag=12;run;9、 提交程序，观察样本自相关系数，可看出样本自相关系数 5 步后是截尾的,那么确定为 MA(5)模型,进行参数估计,输入如下程序:estimate q=5 plot;run;10、 提交程序，观察输出结果，可看出模型通过了白噪声检验，说明模型拟合充分。且 MA1,3 , MA1,4 的 T 值较小，说明参数显著为 0，除掉这两项重新进行估计，
25、输入如下程序：estimate q=(1,2,5) plot;run;11、 提交程序，观察输出结果，可看出模型通过了白噪声检验，说明模型拟合充分，17且残差标准误与前一估计相差很小，故以此结果为我们所要的结果，依此结果写出方程式。12、 进行预测，预测美国未来 2 年的每季国民生产总值。输入如下程序：forcast lead=6 interval=qtr id=date out=results;run;data results;set results;gnp=exp(lgnp);l95=exp(l95);u95=exp(u95);forecast=exp(forecast+std*std/2
26、);run;proc print data=results;var date forcast;where date=1jan96d;run;13、 提交程序，并把预测值记录下来。14、 退出 SAS 系统，关闭计算机。实验七 分析国际航线月度旅客总数数据一、 实验目的：熟悉运用 SAS 建立 模型的方法，进一步sQDPqdpARIM),)(,了解 模型的特征。sqdpI,)(,二、实验内容：19497 年 1 月至 1960 年 12 月国际航线月度旅客总数数据。三、实验要求：写出分析报告。四、实验时间：2 小时。五、实验软件：SAS 系统。六、实验步骤1、开机进入 SAS 系统。182、建立
27、名为 exp4 的 SAS 数据集，输入如下程序：data exp4;input air;date=intnx(month,1jan49d,_n_-1);format date monyy.;cards;输入国际航线月度旅客总数数据；run;3、 保存上述程序，供以后分析使用（只需按工具条上的保存按钮，然后填写完提问后就可以把这段程序保存下来） 。4、 绘序列图，输入如下程序：proc gplot data=exp4;symbol1 i=spline v=dot c=red;plot air*date=1;run;5、 提交程序，观察图形，发现图形有很强的季节性，且成指数函数上升形式，故做对数
28、变换，输入如下程序：data lair;set exp4;lair=log(air);run;6、 绘变换后序列图，输入如下程序：proc gplot data=lair;symbol2 i=spline c=green;plot lair*date=2;run;7、 提交程序，到 graph 窗口中观察变换后的序列图，可以看出它总的趋势成直线上升，且有很强的季节性。对序列做初步识别，输入如下程序：proc arima data=lair;19identify var=lair nlag=36;run;8、 提交程序，观察样本自相关系数和偏相关系数，可看出样本自相关系数有缓慢下降趋势，偏相关系
29、数在 1 步，13 步，25 步较大，我们作一步一阶差分，输入如下程序：identity var=lair(1) nlag=36;run;9、 提交程序，观察样本自相关系数和偏相关系数，发现样本自相关系数在 12 步，24步，36 步特别大,而偏相关系数在 12 步特别大，那么我们再做 12 步的一阶差分，输入如下程序：identify var=lair(1,12) nlag=36;run;10、提交程序，观察样本自相关系数和偏相关系数，发现样本自相关系数在1 步，12 步特别大,而偏相关系数看不出有特别的规律，我们可确定模型的 MA 因子为 。taB)1)(211、进行参数估计，输入如下程序
30、：estimate q=(1)（12）noconstant method=uls plot;run;12 、提交程序，观察输出结果，可看出模型通过了白噪声检验，说明模型拟合充分，故以此结果为我们所要的结果，依此结果写出方程式。13、进行预测，输入如下程序：forecast lead=36 interval=month id=date out=b;run;proc print data=b;run;14、提交程序，仔细观察预测的结果有什么规律，思考为什么有这样的规律？15、变换预测值，以获取原度量下的预测值，输入如下程序：data c;set b;20air=exp(lair);forecast
31、=exp(forecast+std*std/2);l95=exp(l95);u95=exp(u95);run;proc print data=c;run;16、 绘预测和置信限的散点图，输入如下程序：symbol1 I=none v=star r=1 c=red;symbol2 I=join v=plus r=1 c=green;symbol3 I=join v=none l=3 r=1 c=blue;proc gplot data=c;where data=1jan59d;plot air*date=1 forecast*date=2 l95*date=3 u95*date=3/overla
32、y haxis=1jan59d to 1jan62d by year;run;17、 提交程序，观察图形。18、 退出 SAS 系统，关闭计算机。实验八 干预模型的建模一、 实验目的：掌握干预模型的分析方法，进一步熟悉 ARIMA 过程的使用方法。二、实验内容：1955 年 1 月至 1972 年 12 月洛杉矶月平均臭氧数据。三、实验要求：写出实验报告，掌握干预模型的建模方法。四、实验时间：2 小时。五、实验软件：SAS 系统。六、实验步骤211、开机进入 SAS 系统。2、建立名为 exp5 的 SAS 数据集，输入如下程序：data exp5;input n ozone x1 summe
33、r winter;date=intnx(month,1jan55d,_n_-1);format date monyy.;cards;输入洛杉矶月平均臭氧数据；run;或者输入如下程序：data exp5;input ozone ;date=intnx(month,1jan55d,_n_-1);format date monyy.;month=month(date);year=year(date);x1=year=1960;summer=(51965);winter=(year1965)-summer;cards;只输入 ozone 一栏的数据；run;3、 保存上述程序，供以后分析使用（只需按
34、工具条上的保存按钮，然后填写完提问后就可以把这段程序保存下来） 。4、绘序列图，输入如下程序：proc gplot data=exp5;symbol1 i=spline v=dot c=red;22plot ozone*date=1;run;5、提交程序，观察图形，发现图形有很强的季节性和缓慢下降的趋势。6、 初步识别模型，输入如下程序：identify var=ozone nlag=36;run;7、 提交程序，观察样本自相关系数和偏相关系数，可看出样本自相关系数在 1 步，12步，24 步，36 步都较大，且具有周期性，偏相关系数在 1 步最大，我们作季节差分，输入如下程序：identif
35、y var=ozone(12) nlag=36;run;8、 提交程序，观察样本自相关系数和偏相关系数，发现样本自相关系数在1 步，12 步较大,而偏相关系数在 1 步，12 步，24 步都较大，且呈现拖尾现象，我们可确定模型的 MA 因子为 。taB)(129、进行参数估计，输入如下程序：estimate q=(1)（12）noconstant method=uls plot;run;10、提交程序，观察输出结果，可看出模型不是很干净，且不能通过白噪声检验。我们可以做残差序列图，观看残差的特性，输入如下程序：forecast lead=12 out=b id=date interval=mo
36、nth id=date;run;11、进行预测，输入如下程序：forecast lead=36 interval=month id=date out=b noprint;run;proc gplot data=b;symbol I=spline v=dot c=red;plot residual*date;run;12、提交程序，观察图形，可看出前面一段时期的残差比后面的要大。2313、我们考察修建高速公路后，是否对臭氧有显著性影响，输入如下程序：proc arima data=exp5;identify var=ozone(12) crosscorr=(x1(12) noprint;esti
37、mate q=(1)(12) input(x1) noconstant method=ml itprint plot;run;14、提交程序，观察输出结果，发现模型的标准差,AIC,SBC 都变小了很多，且 x1 的影响显著。思考为什么要对 x1 进行季节差分？15、我们再来考察汽车装上尾气过滤器，是否对臭氧有显著性影响，输入如下程序：proc arima data=exp5;identify var=ozone(12) crosscorr=(x1(12) summer winter)noprint;estimate q=(1)(12) input(x1 summer winter) noco
38、nstantmethod=ml itprint plot;run;16、 提交程序，观察输出结果，发现模型的标准差,AIC,SBC 都变小了，且模型基本上通过了白噪声检验，并且 x1,summer 的影响显著,而 winter的影响不显著。思考为什么不对 summer 和 winter 进行差分？17、进行预测值，输入如下程序：forecast lead=12 id=date interval=month;run;注：这样的预测是 x1,summer,winter 已知的预测。 18、提交程序，观察预测值。19、退出 SAS 系统，关闭计算机。实验九 传递函数模型的建模一、 实验目的：熟悉传递
39、函数模型的建模方法。二、实验内容：煤气炉数据。24三、实验要求：写出实验报告，总结传递函数模型的建模的一般步骤。四、实验时间：2 小时。五、实验软件：SAS 系统。六、实验步骤1、开机进入 SAS 系统。2、建立名为 exp6 的 SAS 数据集，输入如下程序：data exp6;input x y;t=_n_;cards;输入煤气炉数据；run;3、 保存上述程序，供以后分析使用（只需按工具条上的保存按钮，然后填写完提问后就可以把这段程序保存下来） 。4、绘序列图，输入如下程序：proc gplot data=exp6;symbol1 i=spline c=red;symbol2 i=spl
40、ine c=green;plot x*t=1 y*t=2;run;5、提交程序，仔细观察两序列图形，看两者有何联系。6、先观察 和 的相关情况，看是否要做差分，输入如下程序：txtyproc arima data=exp6;identifu var=y crosscorr=(x) nlag=12;run;7、提交程序，观察 的 自相关和互相关系数，发现都很快的衰减，表明不txty要做差分运算。8、 识别输入序列 , 输入如下程序：t25proc arima data=exp6;identify var=x nlag=12;run;9、 提交程序，观察 的自相关和偏相关系数，可以看到偏相关系数是
41、 3 步tx截尾的。10、对 拟合 AR(3)模型，看是否充分，输入如下程序：txestimate p=3 plot;run;11、提交程序，观察输出结果，可看到模型通过了白噪声检验，说明拟合效果不错，把拟合的方程式写出来。12、观察预白噪声化后的两序列的互相关系数，输入如下程序：identify var=y crosscorr=(x) nlag=12;run;13、提交程序，观察样本自相关系数和偏相关系数和互相关系数，我们可以初步识别传递函数模型为（2，2，3）(思考:为什么?)，即：321021 )()tt xByB14、进行参数估计，并查看残差的相关情况，输入如下程序：estimate
42、input=(3$(1,2)/(1,2)x) plot;run;15、提交程序，观察输出结果，可以看到残差的偏相关系数是 2 步截尾的。那么模型可识别为：ttt aBxBy )1()1( 20320 16、进行参数估计，输入如下程序：estimate p=2 input=(3$(1,2)/(1,2)x) plot;run;17、 提交程序，观察输出结果，可看到 很小，且模型通过了白噪声检验，那么我们2除掉这一项,再进行估计，输入如下程序：26estimate p=2 input=(3$(1,2)/(1)x) plot;run;18、 提交程序，观察输出结果，可看到模型通过了白噪声检验提交程序，
43、说明模型拟合充分,请写出方程式。19、进行预测，输入如下程序：forecast lead=6 ;run;20、提交程序，观察预测结果。21、退出 SAS 系统，关闭计算机。实验十 回归与时序相结合的建模一、 实验目的：熟悉回归与时序相结合的建模方法。二、实验内容：芝加哥某食品公司大众食品周销售数据。三、实验要求：写出实验报告，总结回归与时序相结合的建模的一般步骤。四、实验时间：2 小时。五、实验软件：SAS 系统。六、实验步骤1、开机进入 SAS 系统。2、建立名为 exp7 的 SAS 数据集，输入如下程序：data exp7;input y1 y2 y3 y4 ;date=intnx(we
44、ek,14sep91d,_n_-1);format date date9.;cards;输入芝加哥某食品公司大众食品周销售数据；run;3、 保存上述程序，供以后分析使用（只需按工具条上的保存按钮，然后填写27完提问后就可以把这段程序保存下来） 。4、首先只分析销售额的数据，不加回归项。绘序列图，输入如下程序：proc gplot data=exp7;symbol1 i=spline c=red;plot y1*date=1;run;5、提交程序，仔细观察序列图形。6、初步识别模型，输入如下程序：proc arima data=exp7;identifu var=y1 nlag=15;run;
45、7、提交程序，观察 y1 的相关系数，发现偏相关系数是 4 阶截尾的，那么我们初步识别为 AR(4)模型，进行参数估计，并观察残差相关系数。输入如下程序：estimate p=4 plot;run;8、提交程序，观察输出结果，可看到模型拟合得还是比较好。10、 然后可以实验其他一些模型，最后根据 AIC 和 BIC 准则，我们最后选定模型为:tt aByBB)()1( 20432 11、 下面我们开始加入回归项，首先我们绘四个序列的图形。输入如下程序：proc gplot data=exp7;symbol3 i=spline c=green;plot y1*date=3 y2*date=3 y
46、3*date=3 y4*date=3;run;12、 提交程序，观察这四个序列有什么特点。13、 绘 y1 对 y2、y3、y4 的散点图，输入如下程序：proc plot data=exp7;plot y1*y2=. y1*y3=. y1*y4=.;28run;14、 提交程序，观察他们的相关性，可看出 y1 和 y2 负相关，y1 和 y3 正相关，而 y1 和 y4 好象不相关。15、 做纯回归分析，输入如下程序：proc arima data=exp7;identify var=y1 crosscorr=(y2 y3 y4) noprint;estimate input=(y2 y3 y4);run;16、 提交程序，观察输出结果，可看到 y4 的系数接近于零，我们除掉这一项再做回归，并观察残差的相关系数，输入如下程序：identify var=y1 crosscorr=(y2 y3);estimate input(y2 y3) plot;run;17、 提交程序，观察输出结果，可看到残差不是白躁声。我们把残差用 ARMA模型拟合，输入如下程序：identify var=y1 crosscorr=(y2 y3 y4);estimate p=4
