SAS时序分析介绍.ppt

一、时间序列数据集的创建,1、使用DATA步创建SAS数据集,创建临时数据集 data jr09; input time monyy7. price; format time monyy5.; cards; Jan2005 101 Feb2005 82 Mar2005 66 Apr2005 35 May2005 31 Jun2005 7 ; Run; proc print data= jr09; Run;,SAS系统命令语句不分大小写，单词之间至少空一格，每条命令以“;”结束。 “data example1_1”命令SAS建立一个临时数据集。 “input time monyy7. price;” 第一个变量名为“time”，“monyy7.”说明变量是时间变量，且指定了数据的输入格式为字符长度为7的月份年度数据。,第二个变量名为“price”，对它没有指定变量类型和数据输入格式，系统会自动将它视为数字型变量，并自动读取。 “format time monyy5.; ”该句告诉系统，“time”这个变量的的输出格式是字符长度为5的月份年度数据，输出格式为月份的三位缩写字母+2位年份数据。 “cards” 告诉SAS系统，下面开始录入数据行。 第一列数据会自动赋给“time”，第一列数据会自动赋给“price”。 如果命令为： “input time monyy7. price;”，数据将以如下方式读取：第一个数据赋值给变量“time”，第二个数据赋值给变量“price”，第三个数据赋值给变量“time”，第四个数据赋值给变量“price”， 数据输入完后，另起一行输入命令结束符号“；” 注意：Cards=datalines,“Run;”表示程序写好可以运行。,创建永久数据集 所谓永久数据集就是指在sas中建立的数据集不会因为退出sas而丢失，它会永久地保存在该数据中，以后进入sas系统还可以从库中调用该数据集。 用“data sasuser.jr09;”生成一个名字为sasuser.jr09的永久数据集。 用libname命令建立永久数据集 假定SAS软件安装在C盘，并且已经在SAS目录下建立名为myfile的文件夹，就可以通过如下命令在该目录下建立一个名为datafile的永久数据库，并将数据集09jr存入永久数据库中。 Libname datafilec:sasmyfile; Data datafile.09jr; 该数据集将一直以datafile.09jr这种二级名称的形式被调用。,查看数据 “proc print data= jr09;”,2、直接导入外部数据,file-import-microsoft excel 97or 2000(*.xls)-browse(指明要输入文件的路径)-next-finish proc import out=work. jr09 datafile=“d:jr.xls“ dbms=excel replace; sheet=“sheet“; getnames=yes; run;,导出数据 data jr09; set f; keep residual; run; Proc export data=work.jr09 outfile=“d:jr09.xls“ dbms=excel replace; Sheet=“jr09”; run;,sas分部转换为excel,proc transpose data=tmp1.stockreturn out=t_t; run; data t_t1; set t_t; if _n_=250; run; proc transpose data=t_t1 out=t_t11; data t_t11; set t_t11; format data yymmdd10.; run; proc export data=t_t11 outfile=“d:tant_t11.xls“ dbms=excel2000 replace; run;,二、时间序列数据集的处理,1、间隔数据的处理 对于等时间间隔数据，SAS提供一种时间间隔函数INTNX，它可以根据需要自动产生等时间间隔的时间数据。,data jr091_1; input price ; time=intnx(month,01jan2005d,_n_-1); format time monyy.; cards; 3.41 3.45 3.42 3.53 3.45 ; proc print data= jr091_1; run;,“time=intnx(month,01jan2005d,_n_-1); ” 该命令是指定用intnx函数给时间time赋值。 intnx函数包括三个参数： 第一个参数指定等时间间隔，该参数可以为day，week，quarter，year等， 第二个参数指定参照时间， 第三个参数（_n_k)是调整开始观测的指针。K为整数，k取正值，指针由参照时间向未来（不包含参照时间）拨k期，k取负值，指针由参照时间向过去（包含参照时间）拨k期。,2、序列变换 data jr091_2; input price ; lotprice=log(price); time=intnx(month,01jan2005d,_n_-1); format time monyy.; cards; 3.41 3.45 3.42 3.53 3.45 ; proc print data= jr091_2 ; run;,反对数运算 data jr091_3; set jr091_2 ; y=exp(lotprice); run;,3、子集 data jr091_4; set jr091_3; keep time logprice; where time=01mar2005d; proc print data= jr091_4; run;,建立“data jr091_4;”的临时数据集， “set jr091_3; ”该句表明“jr091_4”是“09jr1_3”的子集， “ keep time logprice; ”该命令说明要保留的变量， “where time=01mar2005d; ”指“jr091_4”要从“jr091_3”获取数据集的范围。,4、缺失值的插补 data jr091_5; input price ; time=intnx(month,01jan2005d,_n_-1); format time date.; cards; 3.41 3.45 . 3.53 3.45 ; proc expand data= jr091_5 out= jr091_6; id time; proc print data= jr091_5; proc print data= jr091_6; run;,三、SAS时间序列分析,1、模型识别 Identify介绍 proc arima data=ml; identify var=x nlag=8; run; Identify命令执行后会得到如下信息： a变量的描述性统计 b样本自相关图 c样本逆自相关图,自相关定义： 假定 服从平稳可逆ARMA（p,q)过程 那么ARMA（q,p) 称为ARMA（p,q)的对偶模型，其对偶模型的自相关系数称作原模型的逆自相关系数。,逆自相关系数和偏自相关系数有着基本相同的性质，但逆自相关系数对于过差分非常敏感。 d偏自相关图 e纯随机检验结果 Identify命令可以得到：平稳性、纯随机性和模型识别三方面的信息。,相对最有定阶 proc arima data=ml2; identify var=m nlag=8 minic p=(0:5) q=(0:5); run; Minic选项可以输出所有自相关延迟阶数小于等于5，滑动平均延迟阶数也小于等于5的ARMA（p,q）模型的BIC信息量，并指出其中BIC信息量达到最小模型的阶数。,2、参数估计 estimate p=2 noint; run; 在estimate命令后可增加method=ml,uls或cls估计方法选项，如果不专门指定估计方法系统默认估计方法为条件最小二乘法。 ml极大似然估计 uls最小二乘估计 cls 条件最小二乘估计,3、序列预测 forecast lead=10 id=n out=jg; run; Lead指定预测期数 Id指定身份表示 out指定预测后的结果存入某个数据集,4、非平稳时间序列,data sr; input s; y=log(s); dify=dif(y); dify2=dif(dify); t=intnx(year,01jan1952d,_n_-1); format t year.; cards;,“dify=dif(y);”表示命令系统对变量y差分进行1阶差分。常见的几种差分表示： 1阶差分dif(y) 2阶差分dif(dif （ y ）) k步差分difk (y),单位根检验,proc arima data=sr; identify var=s stationarity=(adf=1); run; Stationarity该选项支持ADF、PP和RW检验。,data jr09root; input x y; t=_n_; cards; -2.94 9.83 -2.14 12.63 1.01 14.77 2.84 17.29 -0.79 18.07 1.46 17.38 5.44 19.17 1.65 9.12 6.53 22.82 8.93 23.58 8.67 15.19 8.36 22.43 9.79 17.83 11.67 25.49 9.70 28.40 9.18 23.15 11.13 19.70 9.39 22.32 12.89 30.01 8.45 21.27 6.66 11.52 4.15 15.57 2.57 9.91 2.29 23.28 -3.28 13.75 -5.21 3.38 -3.74 15.81 -8.73 12.41 -15.89 5.54 -12.15 4.83 -10.86 14.79 -17.16 4.14 -18.55 -5.36 -11.42 4.79 -16.02 0.91 -14.36 -5.49 -17.98 6.01 -16.94 2.78 -17.52 -2.49 -13.44 10.30 -14.11 -0.32 -15.16 2.35 ;,proc gplot data=jr09root; plot x*t=1 y*t=2/overlay; symbol1 c=black i=join v=none; symbol2 c=red i=join v=none w=2 l=2; proc arima data= jr09root; identify var=x stationarity=(adf=1); identify var=y stationarity=(adf=1); proc reg data=jr09root; model y=x; output out=out residual=residual; proc arima data=out; identify var=residual stationarity=(adf); proc arima data=jr09root; identify var=y cro