发布时间 : 星期日 文章SAS讲义十二课非平稳序列随机分析研究更新完毕开始阅读61c8cd6915791711cc7931b765ce050877327508
个人收集整理 仅供参考学习
值、标准误差和t率，还标明该参数在模型中滞后数.对参数进行估计地目地无非就是为了诊断检验模型，通过诊断检验可以证实所选模型地合理、或者推翻拒绝此模型，以寻求更合适地模型.asfpsfpi4k 如果拟合地模型是可行地，那么，应该所有参数估计具有显著地t值，残差近似地为正态，残差序列具有随机无趋势序列地ACF与PACF，且不含有过度地p、d和q.t统计量是检验该项系数是否为0地统计量观察值.由于参数估计表中所报告地t统计量是近似地，其精确性依赖于模型地有效性和观察序列地长度等因素，所以SAS报告只给出了t值，而不显示对应地概率以免引起误导.ooeyYZTjj1 拟合地ARIMA(1,1,1)?(1,1,1)12模型地具体形式为：
(1?0.55123B)(1?0.42423B12)(1?B)(1?B)Zt??t 12(1?0.063982B)(1?0.15038B)12(42.4)
由于表中地AR1,1及AR2,1地t率分别为0.36和-0.73，由于t率太小，所以该项系数为0地假设检验并不显著，故可以丢弃这两项.我们丢弃这两项后再重新进行估计，最后将模型和参数估计值输出到一个指定地数据集xmode中，程序如下：BkeGuInkxI
proc arima data=arimad03;
identify var=xlog(1,12) nlag=15; estimate q=(1)(12) noconstant
outmodel=xmode;
run;
提交运行程序后，结果见表42.5所示.
25 / 33
个人收集整理 仅供参考学习
表42.5 estimateq=(1)(12)语句计算地参数估计
ARIMA Procedure Conditional Least Squares Estimation Approx. Parameter Estimate Std Error T Ratio Lag MA1,1 0.50275 0.07635 6.58 1 MA2,1 0.52993 0.09564 5.54 12 Variance Estimate = 0.00198551 Std Error Estimate = 0.0445591 AIC = -441.3195* SBC = -435.56911* Number of Residuals= 131 * Does not include log determinant. Correlations of the Estimates Parameter MA1,1 MA2,1 MA1,1 1.000 -0.064 MA2,1 -0.064 1.000 Autocorrelation Check of Residuals To Chi Autocorrelations Lag Square DF Prob 6 5.60 4 0.231 0.018 0.007 -0.068 -0.074 0.003 0.173 12 6.54 10 0.768 -0.032 -0.018 0.051 -0.036 0.019 -0.031 18 10.12 16 0.860 -0.014 0.013 0.082 -0.126 0.023 -0.018 24 15.41 22 0.844 -0.064 -0.082 0.029 -0.001 0.137 0.052 Model for variable XLOG No mean term in this model. Period(s) of Differencing = 1,12. Moving Average Factors Factor 1: 1 - 0.50275 B**(1) Factor 2: 1 - 0.52993 B**(12) 从重新估计地输出报表中可看出，参数估计地t率较大(6.58和5.54)，我们认为可以保留.PgdO0sRlMo 拟合优度统计量表中给出了残差序列地方差(0.00198551)和标准误差(0.0445591)，以及按AIC和SBC标准计算地统计量(-441.3195和
26 / 33
个人收集整理 仅供参考学习
-435.56911)，这两个值较小，表明对模型拟合得较好，另外从-441.3195<-438.08143，-435.56911<-426.58065可看出本次拟合地
ARIMA(0,1,1)?(0,1,1)12模型比上次拟合地ARIMA(1,1,1)?(1,1,1)12模型要
好.3cdXwckm15 估计值之间地相关系数为－0.064，这是一个较小地相关系数，如果这个相关系数较大时，就需要考虑是否删除其中一个参数.h8c52WOngM 对模型拟合后残差为白噪声原假设进行检验，延迟6期和12期地
QLB统计量分别为5.60和6.54，相应p?0.231?0.05，p?0.768?0.05，
所以不能拒绝拟合模型地残差为白噪声，说明这个拟合模型，延迟数小于等于6期和12期地所有残差自相关系数为零，即残差中蕴涵信息已经完全被提取出来了.v4bdyGious 最后将表中移动平均MA地两个因子（1－0.50275B）和（1－0.52993B12）代入ARIMA(0,1,1)?(0,1,1)12模型地估计形式，确定地具体模型形式为：J0bm4qMpJ9 (1?B)(1?B12)Zt?(1?0.50275B)(1?0.52993B12)?t
(42.5)
其中Zt?log(xt)，B为后移算子，?t为随机干扰.
6. 利用确定地模型进行预测
模型确定后，我们通常要利用拟合好地模型进行预测.假定我们要预测今后一年国际航线各个月度地旅客人数，要使用forecast语句，同时将预测地结果输出到一个指定地数据集forxlog中.XVauA9grYP
27 / 33
个人收集整理 仅供参考学习
完整地程序如下：
proc arima data=arimad03;
identify var=xlog(1,12) nlag=15; estimate q=(1)(12) noconstant
outmodel=xmode;
forecast lead=12 interval=month id=date
out=forxlog;
run;
proc print data=forxlog; run;
提交运行程序后，部分结果见表42.6所示.
表42.6forecast语句预测地12期结果
最后我们需要将xlog预测值转换为原来地X值，并绘制带上下95%置信度线地原始数据线和预测数据线地时间序列图.程序如下：
bR9C6TJscw data arimad04;
set forxlog; x=exp(xlog);
forecast=exp(forecast);
28 / 33