广东财经大学时间序列实验.doc

《广东财经大学时间序列实验.doc》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。

1、实验报告课程名称时间序列分析实验工程名称非平稳过程建模班级与班级代码实验室名称<或课室）3-903专业统计学任课教师陈军才学号：姓名：实验日期：年11月7日广东商学院教务处制姓名实验报告成绩评语：指导教师<签名）年月日说明：指导教师评分后，实验报告交院<系）办公室保存。广东省国内生产总值数据分析实验报告一、实验目的9/7熟悉单位根检验的基本原理和计算机实现方法，熟悉各种ARIMA模型的样本自相关系数和偏相关系数的特点，熟悉ARIMA模型建模的基本方法。b5E2RGbCAP二、实验内容单位根检验、模拟ARIMA模型、分析广东省国内生产总值数据三、实验

2、仪器与材料(或软硬件环境>SAS/ETS软件四、实验过程和步骤1、开机进入SAS系统。2、建立名为exp1的SAS数据集，输入如下程序：dataexp1。inputgdp@@。date=intnx(‘year’,’1jan49’d,_n_-1>。formatdateyear4.。cards。输入广东省国内生产总值的数据；run。3、保存上述程序，供以后分析使用。4、绘序列图，输入如下程序：procgplotdata=exp1。symbol1i=spline。plotgdp*date=1。run。5、观察图形，发现图形成指数函数上升形式，故做对数变换

3、，输入如下程序：datalexp。setexp3。lgdp=log(gdp>。run。6、绘变换后序列图，输入如下程序：procgplotdata=lexp。symbol2i=splinec=red。plotlgdp*date=2。run。9/77、进行单位根检验；发现经对数转换后的序列存在一重单位根，不存在二重单位根。8、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：procarimadata=lexp。identifyvar=lgdpnlag=12。run。9、提交程序，观察样本自相关

4、系数，可看出有缓慢下降趋势，<即序列是非平稳的）。9/7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：identifyvar=lgdp(1>nlag=12。run。10、提交程序，观察输出结果：发现一阶样本自相关系数在2倍标准差外，四阶样本自相关系数同样在2倍标准差附近，一阶样本偏相关系数在2倍标准差外，三阶样本偏相关系数在2倍标准差外。因此我们可初步识别为MA<1）、MA<4）或AR<1）、AR<3），我们分别估计这四个模型，输入如下程序：p1EanqFDPwestimateq=1plot。run。estimateq=

5、4plot。run。estimatep=1plot。run。estimatep=3plot。9/7run。10、提交程序，观察输出结果。参数估计结果见表1,白噪声检验结果见表2。表1参数估计结果参数MA<1）MA<4）AR<1）AR<3）AR<1，3）Mu0.12454(0.01578>*0.12440<0.01920）*0.12436(0.01987>*0.12356(0.02562>*0.12354<0.02815）*MA<1）-0.52494(0.11209>*-0.487690<0.13373）*MA<2）-0.07568<0.14813）

6、MA<3）-0.13599<0.14823）MA<4）-0.17798(0.13379>AR<1）0.48521(0.11531>*0.50689(0.12789>*0.43347<0.11507）*AR<2）-0.18364(0.14287>AR<3）0.30980(0.12824>*0.23631<0.11545）*注：表中报告的是参数估计值，括号内是其标准差；*表示在5%的显著性水平下是显著的。表2模型的白噪声检验滞后步数MA<1）MA<4）AR<1）AR<3）AR<1，3）69.07<0.1064）2.96(0.2276>7.03(0.21

7、86>4.20(0.5215>3.24<0.5190）1216.73<0.1160）8.33(0.4020>12.36(0.3375>7.55(0.7531>6.48<0.7736）1822.25<0.1753）12.37(0.5764>17.47(0.4228>11.83(0.8101>10.08<0.8627）注：表中报告的是Ljung-Box的卡方统计量，括号内是其概率值。由表1前5列和表2前5列可知，所有模型的残差都能通过Ljung-Box的卡方白噪声检验。只有模型MA(4>的第2、3、4个参数、AR<3）的第2个参数不通过检验，其他参数均

8、显著。DXDiTa9E3dMA(4>模型除去第2、3、4个参数即为MA(1>模型，故无需再次估计。对于AR<3）模型，其M