资源描述
,单击此处编辑母版标题样式,单击此处编辑母版文本样式,第二级,第三级,第四级,第五级,*,单击此处编辑母版标题样式,单击此处编辑母版文本样式,第二级,第三级,第四级,第五级,*,时序确定性因素的分解:长期趋势波动、季节性变化、随机波动,趋势分析及其,SAS,过程,趋势拟合法:线性、非线性,平滑法:移动平均、指数平滑,季节效应分析:计算季节指数,综合分析:理解分析思路,掌握分析步骤以及,SAS,过程,X11,过程:了解其原理、,SAS,过程和,SAS,结果的分析。,1,趋势分析,目的,有些时间序列具有非常显著的趋势,我们分析的目的就是要找到序列中的这种趋势,并利用这种趋势对序列的发展作出合理的预测,常用方法,趋势拟合法,平滑法,2,趋势拟合法,趋势拟合法就是把时间作为自变量,相应的序列观察值作为因变量,,建立序列值随时间变化的回归模型的方法,分类,线性拟合,非线性拟合(曲线拟合),3,线性拟合,使用场合,长期趋势呈现出线性特征,模型结构,4,例4.1:拟合,澳大利亚政府,1981,1990,年每季度的消费支出序列,5,线性拟合,模型,参数估计方法,最小二乘估计,参数估计值,6,线性拟合的,SAS,过程,data a;,input gov_cons; time=intnx(quarter,1jan1981d,_n_-1);,format time year2.; t=_n_;,cards;,原始数据,;,proc gplot; plot gov_cons*time=1;,symbol1 c=black v=star i=join;,7,线性拟合的,SAS,过程,proc autoreg;/*,自回归过程*,/,或者,proc reg;/*,回归过程*,/,model gov_cons=t;,output out=out p=forecast;,proc gplot data=out;,plot gov_cons*time=1 forecast*time=2/overlay haxis=1jan1981d to 1jan1991d by year;,symbol2 c=red v=none i=join w=2 l=3; run;,8,线性拟合模型结果,(,autoreg,过程,),9,线性拟合模型结果,(,reg,过程,),10,拟合效果图,11,非线性拟合,使用场合,长期趋势呈现出,非线性特征,参数估计指导思想,能转换成线性模型的都转换成线性模型,,用线性最小二乘法进行参数估计,实在不能转换成线性的,就用迭代法进行参数估计,12,常用非线性模型,模型,变换,变换后模型,参数估计方法,线性最小二乘估计,线性最小二,乘估计,迭代法,迭代法,迭代法,13,例4.2:,对上海证券交易所,1991,年,1,月,-2001,年,10,月每月末上证指数序列进行模型拟合,14,非线性拟合,模型,变换,参数估计方法,线性最小二乘估计,拟合模型口径,15,data a;,input index; time=intnx(month,1jan1991d,_n_-1);,format time year2.; t=_n_;,cards;,原始数据,;,t2=t*2;,16,proc gplot;,plot index*time=1;,symbol1 c=black v=none i=join;,proc reg;,model index=t t2;,model index=t2;,output out=out p=index_cup;,proc gplot data=out;,plot index*time=1 index_cup*time=2/overlay;,symbol2 c=red v=none i=join w=2 l=3;,run;,17,非线性拟合模型,SAS,结果,18,非线性拟合模型,SAS,结果,19,拟合效果图,20,综合分析,常用综合分析模型,加法模型,乘法模型,混合模型,21,例4.7,对,1993,年,2000,年中国社会消费品零售总额序列(数据见附录,1.11,)进行确定性时序分析。,22,例,4.7,的,SAS,过程,data a;,input x;,t=intnx(month,1jan1993d,_n_-1);,format t year4.;,cards;,原始数据,;,proc gplot;,plot x*t;,symbol c=red i=join v=star;,run;,对原始数据集,a,画时序图,,对应书,4-6,图,23,例,4.7,的,SAS,过程,data bb;,input xx;,t=intnx(month,1jan1993d,_n_-1);,format t year4.;,cards;,剔除季节效应后的数据,;,proc gplot data=bb;,plot xx*t;,symbol c=black i=none v=star;,run;,对消除季节效应后的数据集,bb,画图,,对应书,4-8,图,24,例,4.7,的,SAS,过程,Data b;,set bb (keep=xx);,t=_n_;,proc reg;,model xx=t;,output out=out p=xxx;,proc print data=out;,run;,proc gplot data=out;,plot xx*t=1 xxx*t=2/overlay;,symbol2 c=red v=none i=join;,run;,线性趋势拟合后的效果图,,对应书,4-9,图,对数据集,b,进行趋势拟合,25,例,4.7,的,SAS,过程,data c;,set out;,r=xx-xxx;,proc print;,run;,proc gplot data=c;,plot r*t;,run;,画残差序列图,,对应书,4-10,图,创建残差数据集,c,26,X-11,过程,简介,X-11,过程是美国国情调查局编制的时间序列季节调整过程。它的基本原理就是时间序列的确定性因素分解方法,因素分解,长期趋势起伏,季节波动,不规则波动,交易日影响,模型,加法模型,乘法模型,27,例,4.7,的,SAS,过程,对,1993,年,2000,年中国社会消费品零售总额序列使用,X-11,过程进行季节调整,选择模型(无交易日影响),28,X-11,的,SAS,过程,data a;,input x;,t=intnx(month,1jan1993d,_n_-1);,format t year4.;,cards;,原始数据,;,29,X-11,的,SAS,过程,proc x11 data=a;,monthly date=t;,var x;,output out=out b1=x d10=season d11=adjusted d12=trend d13=irr;,proc gplot data=out;,plot x*t=1,season*t=2 adjusted*t=2 trend*t=2 irr*t=2/overlay;,symbol1 c=black i=join v=star;,symbol2 c=red i=join v=none w=2;,run;,30,X-11,的,SAS,过程,语句说明:,proc x11 data=a;,:,对数据集,a,的数据进行,X-11,分析;,monthly date=t;,:,告诉系统这是月度数据,(,如是季度数据就记作,quarterly),,变量,t,为时间变量名;,var x;,:,进行季节调整的变量为,x,;,output out=out b1=x d10=season d11=adjusted d12=trend d13=irr;,:,输出部分结果到临时数据集,OUT,,要求的输出结果是:,31,X-11,的,SAS,过程,output out=out b1=x d10=season d11=adjusted d12=trend d13=irr;,:,输出部分结果到临时数据集,OUT,,要求的输出结果是:,1,、原始序列值,x,(表,b1,的数值);,2,、季节指数(或称为季节因子),season,(表,d10,的数据);,3,、季节调整后的序列值,adjusted,(表,d11,的数据);,4,、趋势拟合值,trend,(表,d12,的数据);,5,、不规则波动值,irr,(表,d13,的数据)。,32,
展开阅读全文