SAS时间序列分析案例--有季节效应的非平稳序列分析

前言：前一篇介绍了对平稳时间序列的分析方法和流程，在没有考虑季节效应的情况下，模型建立的并不成功。本篇以美国1980年-2015年月度失业率为对象，进行一个更为完善的、有季节效应的非平稳时间序列分析流程。
理论支持：
拿到非平稳时间序列，首先进行的就是差分法消除趋势性，然后根据情况判断拟合季节加法模型或乘法模型，最后进行模型检验。常用的模型有两种：ARIMA和因素分解模型。

1. ARIMA(加、乘法)模型，本篇分析采用。
2. 因素分解模型：序列收三个因素影响：长期趋势，季节效应，随机波动。剔除前两者后留下随机波动。使用方法为简单中心移动平均法提取趋势效应，加法乘法提取季节效应。数学运算涉及较多，步骤繁琐，此处不多赘述。

步骤：
一． 数据录入，做出时序图

data unem;
input rate@@;
time=intnx('month','01jan1980'd, _n_ -1);
format time monyy.;
cards;
…………
;
run;
proc gplot data=unem;
plot rate*time/ vaxis=2 to