消除季节和长期因素的ARIMA模型.doc

《消除季节和长期因素的ARIMA模型.doc》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、一、作原始数据的散点图程序如下：datacj;inputx@@;y=dif12(x);t=intnx('month','01jan2000'd,_n_-1);formattmonyy.;cards;2962.92804.92626.62571.52636.92645.22596.92636.33136.93347.33107.836803332.83047.12876.12820.92929.62908.72851.42889.42854.33029.33421.74033.33324.43596.13114.83052.23202.13158.83096.63143.734

2、22.43661.93733.14404.43907.43706.43494.83406.93463.33576.93562.13609.63971.84204.44202.74735.74569.44211.44049.84001.84166.14250.74209.24262.74717.74983.24965.65562.55300.95012.24799.14663.34899.249354934.95040.85495.25846.659096850.46641.66001.95796.75774.66175.66057.86012.26077.46553.6699

3、7.76821.77499.27488.37013.76685.86672.57157.570266998.27116.67668.482638104.79015.3;procgplot;plotx*t;symboli=joinv=dotc=red;run;从图形可以看出，原始数据表现出一定的季节性及长期趋势性，显然是非平稳的时间序列，下面通过自相关函数进一步确定其非平稳性。添加程序：procarima;identifyvar=xnlag=12;可以看到原始数据的自相关函数出现非常缓慢的衰减，所以该时间序列是非平稳的。下面分别通过差分对原始数据消除季节性因数及长期趋势影响。一

4、、消除原始数据的季节因数和趋势性因数先进行12步差分消除季节因素得到如下图形：可见还有明显的长期趋势，且近似为线性的，故继续进行1阶差分消除长期趋势由上述图形可以看出经过12步差分和一次差分后得到的时间序列基本平稳，我们通过自相关函数进一步检验其平稳性并分析应该用哪种模型进行拟合，添加程序：procarima;identifyvar=x(1,12)nlag=12;分析数据的自相关函数和偏自相关函数，它们只是在12期的时候会再次超过两倍的标准差，除此之外都是在两倍的标准差内的，所以数据基本平稳；同时数据的白噪声检验显示在延迟6期情况下数据的相关性不是很大，但也不是纯随机的，故具

5、有研究和分析的意义；因为其自相关函数和偏自相关函数是拖尾的，所以建立ARMA模型。一、模型的拟合修改程序为：procarima;identifyvar=x(1,12)nlag=12minicp=(0:5)q=(0:5);根据BIC越小模型越优的原则，因为BIC（4，2）=9.776887最小，所以建立ARMA（4,2）模型。二、对建立的模型进行参数估计和显著性检验添加程序：estimatep=4q=2method=cls;得到如下结果：从结果可以看出有些参数未通过显著性检验，故进行调整，修改程序为：estimatep=(1,4)q=(1)method=cls;从结果可以看出还

6、有参数的显著性检验没通过，继续调整程序为：estimatep=(1)q=(1)method=cls;此时所有的参数都非常显著，故此时建立的模型是最精干的。该模型为：即：残差序列近似为白噪声序列，所以模型是适应的。一、利用模型进行预报添加程序：forecastlead=5id=tout=caijing;procgplotdata=caijing;plotx*t=1forecast*t=2l95*t=3u95*t=3/overlay;symbol1c=bluei=nonev=star;symbol2c=redi=joinv=nonel=1w=1;symbol3c=greeni=j

7、oinv=nonel=2w=2;得到结果如下：从上述图形可以看出，模型建立的比较适应，实际值都近似在拟合的曲线的上。