SAS经济时间序列分各种模型分析

目 录目 录TOC\o"1-5"\h\z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!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 25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 44加拿大山猫数据 44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expl的SAS数据集，即在窗中输入下列语句：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：odshtml;odslistingclose;5、 run;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。7、提交程序，观察输出结果。初步识别序列为 AR(2)模型。8、 估计和诊断。输入如下程序：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：11、 提交程序，观察输出结果。12、 退出SAS系统，关闭计算机。总程序：dataexp1;infile"D:\";inputa1@@;year=intnx('year','1jan1742'd,n-1);formatyearyear4.;procprint;run;odshtml;odslistingclose;procgplotdata=exp1;symboli=splinev=doth=1cv=redci=greenw=1;plota1*year/autovreflvref=2cframe=yellowcvref=black;title" 太阳黑子数序列";run;procarimadata=exp1;

identifyvar=a1nlag=24minicp=（0:5）q=（0:5）;estimatep=3;forecastlead=6interval=yearid=yearout=out;run;procprintdata=out;run;选取拟合模型的规则：模型显着有效（残差检验为白噪声）模型参数尽可能少结合自相关图和偏自相关图以及minic条件（BIC信息量最小原则）,选取显着有效的参数实验二模拟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。2、模拟实根情况，模拟zt0.6zt10.4zt2at过程。3、 在edit窗中输入如下程序：4、 观察输出的数据，输入如下程序，并提交程序。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。作为作业把样本自相关系数和偏相关系数记录下来。5、 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。6、 模拟虚根情况，模拟ztzt10.5zt2at过程。重复步骤3-7即可（但部分程序需要修改，请读者自己完成）。0.2zt0.2zt3at过程。重复步骤3-7即可(但7、 模拟AR(3)模型，模拟zt0.4zt10.3zt2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.总程序：title;dataa;x1=;x2=;doi=-50to250;a=rannor(32565);x=*x1+*x2;x2=x1;x1=x;output;end;run;procprintdata=a;procgplotdata=a;symboli=splinec=red;plotx*i/haxis=-50to255by20;run;quit;procarimadata=a;identifyvar=xnlag=10minicp=(0:3)q=(0:3)outcov=exp1;estimatep=2noint;run;procgplotdata=exp1;

symboli=needlewidth=6;plotcorr*lag;run;procgplotdata=exp1;symboli=needlewidth=6;plotpartcorr*lag;run;实验三模拟MA模型和ARM/模型一、 实验目的：熟悉各种MA模型和ARMAI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莫型和ARMAg型。三、 实验要求：记录各MA莫型和ARM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莫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。2、 模拟! 0,2 0情况，模拟xt(10.65B0.24B2)at过程。3在edit窗中输入如下程序：4、 观察输出的数据序列，输入如下程序，并提交程序。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。&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。7、 模拟1 0, 2 0情况，模拟人(1 0.65B 0.24B2)at过程。重复步骤3-7即可(但部分程序需要修改，请读者自己完成)。8、 模拟1 0, 2 0情况，模拟人(1 0.65B 0.24B2)at过程。重复步骤3-7即可(但部分程序需要修改，请读者自己完成)。9、 模拟1 0, 2 0情况，模拟人(1 0.65B 0.24B2)at过程。重复步骤3-7即可(但部分程序需要修改，请读者自己完成） 部分程序需要修改，请读者自己完成） 010、模拟ARMA模型，模拟Xt0.75X"0.5人25內0.3內！0.4^2过程。重复步骤3-7即可(但部分程序需要修改，请读者自己完成).11、 回到graph窗口观察各种序列图形的异同。12、 退出SAS系统,关闭计算机.总程序：dataa;a仁0;a2=0;don=1to250;a=rannor(32565);x=a+*a1+*a2;a2=a1;a仁a;output;end;run;procgplotdata=a;symboli=splineh=1w=1;plotx*n/haxis=-10to260by10;run;procarimadata=a;identifyvar=xnlag=10minicp=(0:3)q=(0:3)outcov=exp1;estimateq=2noint;run;procgplotdata=exp1;symbol1i=needlec=red;plotcorr*lag=1;run;procgplotdata=exp1;symbol2i=needlec=green;plotpartcorr*lag=2;run;quit;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SPACI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。三、 实验要求：掌握ARMAg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：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：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。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：8、 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：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：12、 提交程序，观察输出结果。13、 退出SAS系统，关闭计算机。dataexp2;infile"D:\";inputx@@;n=n;procprint;run;procgplotdata=exp2;symboli=joinv=starh=2ci=greencv=red;plotx*n/vref=305070cvref=redlvref=2;run;procarimadata=exp2;identifyvar=xnlag=12minicp=(0:3)q=(0:3);estimateplotp=1;forecastlead=2out=out;run;quit;实验五模拟ARIMA模型和季节ARIMA模型一、 实验目的：熟悉各种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。一、 实验内容：随机模拟各种ARIMA模型。二、 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三、 实验时间：2小时。四、 实验软件：SAS系统。五、 实验步骤开机进入SAS系统。2.2、模拟ARIMA(0,1,1)过程，模拟xt xt1at0.8at1过程

2.创建数据集，在edit窗中输入如下程序:4、观察输出的数据序列，输入如下程序：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：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：7、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：8、 提交程序，并观察残差图，发现模型拟合完全。10、写出模型的方程，并与真实模型对比。x1=;a1=0;don=0to250;a=rannor（32565）;x=x1+*a1;x1=x;a仁a;output;end;run;procgplotdata=a;symboli=joinv=doth=1ci=greencv=red;plotx*n/vref=-214cvref=redlvref=2haxis=-10to260by10;run;procarimadata=a;identifyvar=xnlag=10minicp=（0：3）q=（0：3）outcov=exp1;run;procgplotdata=exp1;

symbolli=needlec=red;plotcorr*lag=1;run;procgplotdata=exp1;symbol2i=needlec=green;plotpartcorr*lag=2;run;procarimadata=a;identifyvar=x(1)nlag=24minicp=(0：3)q=(0:3);/* —阶差分x(1)*/run;estimateq=1plotnoint;run;quit;11、模拟ARIMA(1,1,0)模型，模拟(10.5B)(1B)ztat过程。重复步骤3-10即可(但部分程序需要修改，请读者自己完成)。12模拟ARIMA(p,d,q)(P,D,Q)s模型，模拟(1 B)(1B12)xt(1 0.4B)(1 0.6B12)at模型，即ARIMA(0,1,1)(0,1,1)12模型。13、 创建数据集，在edit窗中输入如下程序：14、 绘序列图，输入如下程序：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：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：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：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.datac;x1=;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;a9=0;a10=0;a11=0;a12=0;a13=0;don=0to250;a=rannor(12345);x=x1+x12-x13+**a12+*a13;x13=x12;x12=x11;x11=x10;x10=x9;x9=x8;x8=x7;x7=x6;x6=x5;x5=x4;x4=x3;x3=x2;x2=x1;x仁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;output;end;run;procgplotdata=c;symboli=joinv=doth=1ci=greencv=red;plotx*n/vref=-20110cvref=redlvref=2haxis=-10to260by10;run;procarimadata=c;identifyvar=xnlag=20minicp=(0:3)q=(0:3);run;identifyvar=x(1,12)nlag=36minicp=(0:3)q=(0:3)outcov=exp1;run;estimateq=(1)(12)method=clsnoint;run;procgplotdata=exp1;symbol1i=needlec=red;

plotcorr*lag=1;run;procgplotdata=exp1;symbol2i=needlec=green;plotpartcorr*lag=2;run;quit;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莫型。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。2、 建立名为exp3的SAS数据集，输入如下程序：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：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：&绘变换后序列图，输入如下程序：7、 提交程序，至Ugraph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：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：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：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，说明参数显着为0,除掉这两项重新进行估计，输入如下程序：

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，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：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。dataexp3;桌面\";inputgnp@@;date=intnx('qtr',"1jan47"d,n-1);formatdateyyqc.;run;procgplotdata=exp3;symboli=joinw=2ci=green;/*w :线的大小h:点的大小I:线的类型*/plotgnp*date=1;run;datalexp;setexp3;lgnp=log(gnp);run;procgplotdata=lexp;symbol2i=splinec=redw=2;plotlgnp*date=2;run;procarimadata=lexp;identifyvar=lgnp(1)nlag=12minicp=(0:3)q=(0:3);run;estimateq=5;run;estimateq=(1,2,5)plot;

run;forecastlead=6interval=qtrid=dateout=results;run;dataresults2;setresults;gnp=exp(lgnp);I95=exp(l95);u95=exp(u95);forecast=exp(forecast);keepdategnpl95forecastu95;run;procprintdata=results2;vardategnpl95forecastu95;wheredate>='1jan96'd;run;procgplotdata=results2;plotgnp*date=1forecast*date=2I95*date=3u95*date=3/overlaylegend;symbol1v=dotcv=redi=noneh=1w=1;symbol2i=joinci=green;symbol3i=splineci=blackl=2;run;quit;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ARIMA(p,d,q)(P,D,Q)s模型的方法，进一步了解ARIMA(p,d,q)(P,D,Q)s模型的特征。二、 实验内容：1949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。2、 建立名为exp4的SAS数据集，输入如下程序：2、 绘序列图，输入如下程序：3、 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，故做对数变换，输入如下程序：4、 绘变换后序列图，输入如下程序：5、 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：6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：7、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：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(1 1B)(1 2B12)at。11、 进行参数估计，输入如下程序：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：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：16、 绘预测和置信限的散点图，输入如下程序：17、 提交程序，观察图形。退出SAS系统，关闭计算机。dataexp4;桌面\";

inputair@@;date=intnx('month','1jan49'd,n-1);formatdatemonyy.;run;procgplotdata=exp4;symbol1i=joinv=dotc=red;plotair*date=1;run;procgplotdata=lair;symbol2i=splinec=green;plotlair*date=2;run;procarimadata=lair;identifyvar=lairnlag=36;run;identifyvar=lair(1)nlag=24;run;identifyvar=lair(1,12)nlag=24minic;run;estimateq=(1)(12)noconstantmethod=ulsplot;run;forecastlead=3interval=monthid=dateout=b;run;procprintdata=b;run;datac;

setb;air=exp(lair);forecast=exp(forecast+std*std/2);I95=exp(l95);u95=exp(u95);run;procprintdata=c;run;symbol1l=nonev=starr=1c=red;symbol2l=joinv=plusr=1c=green;symbol3l=joinv=nonel=3r=1c=blue;procgplotdata=c;wheredata>='1jan59'd;plotair*date=1forecast*date=2l95*date=3u95*date=3/overlayhaxis='1jan59'dto'1mar61'dbymonth;run;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1、 开机进入SAS系统。2、 建立名为exp5的SAS数据集，输入如下程序：或者输入如下程序：dataexp5;inputozone@@;date=intnx( imonth','1jan55'd,n-1);

formatdatemonyy.;month=month(date);year=year(date);x1=year>=1960;summer=(5<month<11)*(year>1965);winter=(year>1965)-summer;

15、 我们再来考察汽车装上尾气过滤器，是否对臭氧有显着性影响，输入如下程序：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的影响显着,而winter的影响不显着。思考为什么不对summe和winter进行差分17、进行预测值，输入如下程序：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。dataexp5;桌面\";inputnozonex1summerwinter@@;date=intnx('month','1jan55'd,n-1);formatdatemonyy.;run;procgplotdata=exp5;symbol1i=joinv=dotc=red;plotozone*date=1;run;procarimadata=exp5;identifyvar=ozonenlag=36;run;identifyvar=ozone(12)nlag=36minic;run;estimateq=(1)(6)(12)method=clsplot;run;forecastlead=36interval=monthid=dateout=bnoprint;run;procgplotdata=b;

plotresidual*date;run;procarimadata=exp5;identifyvar=ozone(12)crosscorr=(x1(12))noprint;estimate q=(1)(6)(12)input=(x1) noconstantmethod=mlitprintplot;run;procarimadata=exp5;identifyvar=ozone(12)crosscorr=(x1(12)summerwinter)noprint;estimateq=(1)(12)input=(x1summerwinter)noconstantmethod=mlitprintplot;run;forecastlead=12id=dateinterval=monthout=c;run;procgplotdata=c;symbolI=splinev=dotc=red;plotresidual*date;run;quit;实验九传递函数模型的建模一、 实验目的：熟悉传递函数模型的建模方法。二、 实验内容：煤气炉数据。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：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：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xt和yt的相关情况，看是否要做差分，输入如下程序：7、 提交程序，观察人的yt自相关和互相关系数，发现都很快的衰减，表明不要做差分运算。8、 识别输入序列人，输入如下程序：9、提交程序，观察xt的自相关和偏相关系数，可以看到偏相关系数是 3步截尾的。10、 对xt拟合AR（3）模型，看是否充分，输入如下程序：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：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：14、 进行参数估计，并查看残差的相关情况，输入如下程序：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：16、 进行参数估计，输入如下程序：17、提交程序，观察输出结果，可看到 2很小，且模型通过了白噪声检验，那么我们除掉这一项，再进行估计，输入如下程序：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，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：20、 提交程序，观察预测结果。21、 退出SAS系统，关闭计算机。dataexp6;桌面\";

inputxy@@;t=n;run;procgplotdata=exp6;symbolli=splinec=red;symbol2i=splinec=green;plotx*t=1y*t=2;run;procarimadata=exp6;identifyvar=ycrosscorr=(x)nlag=12;run;procarimadata=exp6;identifyvar=xnlag=12minic;run;estimatep=(1,2,3,5)nointplot;run;estimateinput=(3$(1,2)/(1,2)x)plot;run;estimatep=2input=(3$(1,2)/(1,2)x)plot;run;estimatep=2input=(3$(1,2)/(1)x)plot;run;forecastlead=6;run;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：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、 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：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：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：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：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：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：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：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：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：18、提交程序，观察输出结果,可以看出模型拟合比较充分，且y4、MA1,1、AR1,3的系数接近如零，除掉这几项，再观察，输入如下程序：19、 提交程序，观察输出结果，可以看出模型拟合比较充分，且残差的标准误和前一模型没有多大变化，且AIC和BIC也比前一模型小，故我们就选择这一模型，把这一结果记录下来。20、 下面我们来看看残差对预测值，y2,y3的关系图。输入如下程序：

22、提交程序，观察图形，可看出残差对y2,y3还不是十分充分，我们加入y2,y3的滞后一阶，看结果有什么变化，输入如下程序：23、提交程序，观察输出结果，并与原来结果比较，看是否有进步。 (没进步)24、 进行预测，输入如下程序：25、 提交程序，观察预测结果。26、 退出SAS系统，关闭计算机。dataexp7;桌面\";inputy1y2y3y4@@;date=intnx('week','14sep91'd,n-1);formatdatedate9.;run;procgplotdata=exp7;symbol1i=splinec=red;ploty1*date=1;run;procarimadata=exp7;identifyvar=y1nlag=15minic;run;estimatep=(1,4)plot;run;procgplotdata=exp7;symbol3i=splinec=green;ploty1*date=3y2*date=3y3*date=3y4*date=3;run;procplotdata=exp7;ploty1*y2='*'y1*y3='*'y1*y4='*';run;procarimadata=exp7;identifyvar=y1crosscorr=(y2y3y4)noprint;

estimateinput=(y2y3y4);run;identifyvar=y1crosscorr=(y2y3);estimateinput=(y2y3)plot;run;identifyvar=y1crosscorr=(y2y3y4);estimatep=4q=3input=(y2y3y4)plot;run;identifyvar=y1crosscorr=(y2y3);estimatep=(1,2,4)q=(2,3)input=(y2y3)plot;run;forecastlead=6id=dateinterval=weekout=anoprint;run;datab;mergeexp7a;run;procgplotdata=b;plotresidual*forecast='*'residual*y2='*'residual*y3='*';symbolc=red;run;datad;setexp7;y21=lag(y2);y31=lag(y3);run;procarimadata=d;identifyvar=y1crosscorr=(y2y21y3y31)noprint;estimatep=(1,2,4)q=(2,3)input=(y2y21y3y31)plot;run;forecastlead=6;

run;附数据：太阳黑子年度数据（1742-1957）美国国民收入数据（1947第一季度到1996第三季度）（顺序是横向排列）

化工生产过程的产量数据（顺序是横向排列）

国际航线月度旅客数据单位：千人）（顺序是横向排列）112118132129121135148148136119104118115126141135125149170170158133114140145150178163172178199199184162146166171180193181183218230242209191172194196196236235229243264272237211180201204188235227234264302293259229203229242233267269270315364347312274237278284277317313318374413405355306271306315301356348355422465467404347305336340318362348363435491505404359310337360342406396420472548559463407362405417391419461472535622606508461390432洛杉矶臭氧每小时读数的月平均值数据（1955-1972）TOC\o"1-5"\h\z1 23 45 67 89 1011 1213 14#727476788082848688909294969810010210410610811011211411611812012212412812913069717375777981838587899193959799101103105107109111113115117119121123125127131 132131 132189 190189 190133135137139141143145147149151153155157159161163165167169171173175177179181183185187134136138140142144146148150152154156158160162164166168170172174176178180182184186188249 250249 25019119319519719920120320520720921121321521721922122322522722923123323523723924124324524719219419619820020220420620821021221421621822022222422622823023223423623824024224424624825125225325425525625725825