时间序列实验指引书正文.docx
- 文档编号:828891
- 上传时间:2022-10-13
- 格式:DOCX
- 页数:15
- 大小:23.96KB
时间序列实验指引书正文.docx
《时间序列实验指引书正文.docx》由会员分享,可在线阅读,更多相关《时间序列实验指引书正文.docx(15页珍藏版)》请在冰豆网上搜索。
时间序列实验指引书正文
实验一平稳性与纯随机性检验
一、实验目的
通过本实验,使学生
(1)掌握时序图的绘制方法;
(2)能够判断时间序列的平稳性;
(3)能够检验时间序列的纯随机性。
二、实验要求
根据数据作图,采用时序图检验和自相关图直观判断序列是否平稳,利用LB统计
量检验时间序列是否为纯随机性序列,并按具体的题目要求完成实验报告。
三、实验内容
实验题目:
1945-1950年费城月度降雨量数据如下(单位:
mr)i,见下表。
69.380.040.974.984.6101.1225.095.3100.648.3144.5128.3
38.452.368.637.1148.6218.7131.6112.881.831.047.570.1
96.861.555.6171.7220.5119.463.2181.673.964.8166.948.0
137.780.5105.289.9174.8124.086.4136.931.535.3112.3143.0
160.897.080.562.5158.27.6165.9106.792.263.226.277.0
52.3105.4144.349.5116.154.1148.6159.385.367.3112.859.4
(1)计算该序列的样本自相关系数(k=1,2,……,24)。
(2)判断该序列的平稳性。
(3)判断该序列的纯随机性。
实验步骤:
第一步:
编程建立SAS数据集。
第二步:
利用Gplot程序对数据绘制时序图。
第三步:
从时序图中利用平稳时间序列的定义判断是否平稳。
第四步:
利用ARIMA程序对数据进行分析,根据输出的
Identify
语句中的样本自相关
图,由平稳时间序列的特性判断是否平稳。
第五步:
根据输出的Identify语句中的纯随机检验结果,
利用
LB统计量和白噪声特性
检验时间序列是否为纯随机序列。
实验二ARMA模型的应用
一、实验目的
通过本实验,使学生能够运用SAS统计软件,对给出实际问题的平稳时间序列通过模型识别、参数估计、模型检验、模型优化等过程,建立符合实际的时间序列模型,并预测将来。
、、实验要求
处理数据,掌握平稳时间序列的ARMA模型的建模过程和方法,并根据具体的实验题目要求完成实验报告。
三、实验内容
实验题目:
某地区连续74年的谷物产量(单位:
千吨)如下:
0.970.451.611.261.371.431.321.230.840.891.18
1.331.210.980.910.611.230.971.100.740.800.81
0.800.600.590.630.870.360.810.910.770.960.93
0.950.650.980.700.861.320.880.680.781.250.79
1.190.690.920.860.860.850.900.540.321.401.14
0.690.910.680.570.940.350.390.450.990.840.62
0.850.730.660.760.630.320.170.46
(1)判断该序列的平稳性与纯随机性。
(2)选择适合模型拟合该序列的发展。
(3)利用拟合模型,预测该地区未来5年的谷物产量。
实验步骤:
第一步:
编程建立SAS数据集。
第二步:
利用Gplot程序对数据绘制时序图。
第三步:
从时序图中利用平稳时间序列的定义判断是否平稳?
利用ARIMA程序对数据进
行分析,根据输出的Identify语句中的样本自相关图,由平稳时间序列的特性
判断是否平稳?
LB统计量和白噪声特性
第四步:
根据输出的Identify语句中的纯随机检验结果,利用
检验时间序列是否为纯随机序列?
第五步:
在序列判断为平稳非白噪声序列后,求出该观察值序列的样本自相关系数(ACF
和样本偏自相关系数(PACF的值。
第六步:
根据样本自相关系数和偏自相关系数的性质,选择阶数适当的ARMA(p,q)模
型进行拟合。
第七步:
估计模型中未知参数的值。
第八步:
检验模型的有效性。
如果拟合模型通不过检验,转向步骤6,重新选择模型再
拟合。
第九步:
模型优化。
如果拟合模型通过检验,仍然转向步骤2,充分考虑各种可能建立
多个拟合模型,从所有通过检验的拟合模型中选择最优模型。
第十步:
利用最优拟合模型,预测序列的将来走势。
实验三时间序列的线性与非线性趋势拟合
、实验目的
通过本实验,使学生能够利用SAS统计软件,对给出实际问题的非平稳时间序列进
行分析,掌握非平稳时间序列的确定性部分的分离方法,建立合适的某一类确定性模型。
、实验要求
处理数据,掌握非平稳时间序列的确定性模型的识别的方法,并根据具体的实验题
目要求完成实验报告。
、实验内容
实验题目:
爱荷华州1948—1979年非农产品季度收入数据如表4—8所示。
601604620626641642645655682678692707
736753763775775783794813823826829831
830838854872882903919937927962975995
10011013102110281027104810701095111311431154117311781183120512081209122312381245125812781294131413231336135513771416143014551480151415451589163416691715176018121809182818711892194619832013204520482097214021712208227223112349236224422479252825712634268427902890296430853159323733583489358836243719382139344028412942054349446345984725482749395067523154085492565358285965
通过分析数据,选择适当模型拟合该序列长期趋势。
实验步骤:
第一步:
编程建立SAS数据集。
第二步:
调用Gplot程序对数据绘制时序图。
第三步:
从时序图中观察时间序列是否有趋势,有何种趋势,选择适当的趋势模型分离数据中的确定性部分。
实验四ARIMA模型
一、实验目的
通过本实验,使学生能够利用SAS统计软件,对给出实际问题的非平稳时间序列进行分
析,通过平稳性检验、差分运算、白噪声检验、拟合ARMA模型,建立ARIMA模型,在此
基础上进行预测。
二、实验要求
处理数据,掌握非平稳时间序列的ARIMA建模方法,并根据具体的实验题目要求完成
实验报告。
三、实验内容
实验题目:
某城市连续14年的月度婴儿出生率数据如下表所示:
26.663
23.598
26.931
24.740
25.806
24.364
24.477
23.901
23.175
23.227
21.672
21.870
21.439
21.089
23.709
21.669
21.752
20.761
23.479
23.824
23.105
23.110
21.759
22.073
21.937
20.035
23.590
21.672
22.222
22.123
23.950
23.504
22.238
23.142
21.059
21.573
21.548
20.000
22.424
20.615
21.761
22.874
24.104
23.748
23.262
22.907
21.519
22.025
22.604
20.894
24.677
23.673
25.320
23.583
24.671
24.454
24.122
24.252
22.084
22.991
23.287
23.049
25.076
24.037
24.430
24.667
26.451
25.618
25.014
25.110
22.964
23.981
23.798
22.270
24.775
22.646
23.988
24.737
26.276
25.816
25.210
25.199
23.162
24.707
24.364
22.644
25.565
24.062
25.431
24.635
27.009
26.606
26.268
26.462
25.246
25.180
24.657
23.304
26.982
26.199
27.210
26.122
26.706
26.878
26.152
26.379
24.712
25.688
24.990
24.239
26.721
23.475
24.767
26.219
28.361
28.599
27.914
27.784
25.693
26.881
26.217
24.218
27.914
26.975
28.527
27.139
28.982
28.169
28.056
29.136
26.291
26.987
26.589
24.848
27.543
26.896
28.878
27.390
28.065
28.141
29.048
28.484
26.634
27.735
27.132
24.924
28.963
26.589
27.931
28.009
29.229
28.759
28.405
27.945
25.912
26.619
26.076
25.286
27.660
25.951
26.398
25.565
28.865
30.000
29.261
29.012
26.992
27.897
(1)选择适当模型拟和该序列的发展
(2)使用拟合模型预测下一年度该城市月度婴儿出生率
实验步骤:
第一步:
编程建立SAS数据集;
第二步:
调用Gplot程序对数据绘制时序图;
第三步:
从时序图中利用平稳时间序列的定义判断是否平稳?
调用ARIMA程序对数据进
行分析,根据输出的Identify语句中的样本自相关图,由平稳时间序列的特性
判断是否平稳;
第四步:
若不满足平稳性,则可利用差分运算是否能使序列平稳?
重复第三步步骤;
第五步:
根据输出的Identify语句中的纯随机检验结果,利用LB统计量和白噪声特性
检验最后处理的时间序列是否为纯随机序列?
第六步:
在序列判断为平稳非白噪声序列后,求出该观察值序列的样本自相关系数(ACF
和样本偏自相关系数(PACF的值,选择阶数适当的ARIMA(p,d,
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 时间 序列 实验 指引 正文