注册 登录  
 加关注
   显示下一条  |  关闭
温馨提示!由于新浪微博认证机制调整,您的新浪微博帐号绑定已过期,请重新绑定!立即重新绑定新浪微博》  |  关闭

数据挖掘

学习数据挖掘

 
 
 

日志

 
 

SAS&时间序列(ARIMA)  

2013-06-30 17:30:08|  分类: SAS |  标签: |举报 |字号 订阅

  下载LOFTER 我的照片书  |

SAS/ETS模块
  SAS/ETS提供丰富的计量经济学和时间序列分析方法,是研究复杂系统和进行预测的有力工具。它提供方便的模型设定手段、多样的参数估计方法。

什么是时间序列(来自百度百科http://baike.baidu.com/view/76878.htm)

时间序列是指将某种现象某一个统计指标在不同时间上的各个数值,按时间先后顺序排列而形成的序列。时间序列法是一种定量预测方法,亦称简单外延方法。

时间数列的构成因素

长期趋势( T )现象在较长时期内受某种根本性因素作用而形成的总的变动趋势
季节变动( S )现象在一年内随着季节的变化而发生的有规律的周期性变动
循环变动( C )现象以若干年为周期所呈现出的波浪起伏形态的有规律的变动
不规则变动(I )是一种无规律可循的变动,包括严格的随机变动和不规则的突发性影响很大的变动两种类型
 
the ARIMA Proc
ARIMA模型通常也称作box-jenkins模型,当ARIMA模型包括其他时间序列作为输入变量时,该模型有时被称作ARIMAX模型, ARIMA模型称为"动态回归".
ARIMA建模的三个阶段
三个阶段:
1, Identify:识别阶段:identify语句读入时间序列,可能对序列进行差分,然后计算出自相关系数,逆自相关系数,偏自相关系数和互相关系数.此阶段的输出通常会建议一个或多个可拟合的ARIMA模型.
 
2, Estimate:
"估计和诊断检测阶段"
使用estimate语句来指定arima模型区拟合在前面identity语句中指定的变量并且估计该模型的参数,estimate语句也会生成诊断统计量从而帮助你判断该模型的适用性.
关于参数估计的显著性检验可以指出模型里的一些项是否不需要.
拟合有毒统计量可帮助比较该模型和其他模型的优劣.
关于白噪声残差的检验可指明残差序列是否包含可被其他更复杂模型采用的额外信息.
如果诊断检验表明模型不适用,则可尝试另一个模型然后重复估计和诊断检测阶段.
 
3,Foreast:
 
使用forecast语句来预测时间序列的未来值,并对这些来自前面estimate语句生成的arima模型的预测值产生置信区间.
 
所有ARIMA过程都可以在无须重新启动proc arima的情况下执行任意多次,从这个意义上讲,arima过程可以交互的使用,可以单独低或者成组的执行ARIMA过程语句,气候需要跟带一个run语句的单独或一组语句.当遇到run语句时,就会生成关于每个语句或者每组语句的输出.
一个run语句并不终止proc arima步,而只是告知过程执行在此之前给出的语句, 结束proc arima 可以通过提交一个data步  ,另一个proc步,一个endsas 语句, 或一个quit语句来达到.
 
 
 
SAS时间序列 - 小坏 - Do  What
SAS时间序列 - 小坏 - Do  What
  差分,
响应序列的差分是利用identity语句中的var=选项来指定的,这一指定通过吧差分时间隔数放在变量后的括号来实现. 例如 对序列sales进行简单的一阶差分,使用语句:
identify var=sales(1)/*sales 为一变量名称*/
 
二阶差分
 
为了做二阶差分,需要在括号中的列表内加入另一个差分间隔,如:
identify var=sales(1,12);
对sales做了二阶差分,先做了间隔1的一次差分 然后又以间隔12做了一次差分.
差分不仅影响用于identify语句输出的序列而且应用于任何随后的estimate和forecast语句,estimate语句对差分序列拟合了arma模型,forecast语句预测擦话费 并自动的把差分加起来以取消由identify语句指定的差分操作,并生产最终的预测结果.
 
输入序列的差分由 crosscorr=选项来指定,并且如同响应序列的差分那样工作. 例如,语句
identify var=y(1) crosscorr=(x1(1) x2(1));
对y做一阶差分,对X1做一阶差分,对X2做一阶差分. 在随后的estimate语句中,任何在input=选项中用到x1 和x2的时候,这些名字都是指差分序列
 
SAS时间序列 - 小坏 - Do  What
 
SAS时间序列 - 小坏 - Do  What
 
SAS时间序列 - 小坏 - Do  What
 
SAS时间序列 - 小坏 - Do  What
 
SAS时间序列 - 小坏 - Do  What
 
SAS时间序列 - 小坏 - Do  What
 
SAS时间序列 - 小坏 - Do  What
 proc arima 可以处理中等长度的时间序列,所考虑时间序列至少应有个30个观测值,当只有30或更少的观测值时,参数估计的效果可能会很差,当成千上万的观测值时,本文采用的方法会消耗很多的计算机时间和内存,
 
SAS时间序列 - 小坏 - Do  What
 
SAS时间序列 - 小坏 - Do  What
 
SAS时间序列 - 小坏 - Do  What
 
SAS时间序列 - 小坏 - Do  What
 
SAS时间序列 - 小坏 - Do  What
 
SAS时间序列 - 小坏 - Do  What
 
SAS时间序列 - 小坏 - Do  What
 
SAS时间序列 - 小坏 - Do  What
 
SAS时间序列 - 小坏 - Do  What
 
资料来源: 高慧旋 SAS ETS 使用手册
  评论这张
 
阅读(6302)| 评论(2)
推荐 转载

历史上的今天

评论

<#--最新日志,群博日志--> <#--推荐日志--> <#--引用记录--> <#--博主推荐--> <#--随机阅读--> <#--首页推荐--> <#--历史上的今天--> <#--被推荐日志--> <#--上一篇,下一篇--> <#-- 热度 --> <#-- 网易新闻广告 --> <#--右边模块结构--> <#--评论模块结构--> <#--引用模块结构--> <#--博主发起的投票-->
 
 
 
 
 
 
 
 
 
 
 
 
 
 

页脚

网易公司版权所有 ©1997-2017