《应用时间序列 王燕 第三版》课后答案及SAS代码（第三章-2)

17、

（1）判断该序列平稳性和纯随机性：

绘制该序列时序图，如下图所示，时序图显示该序列波动平稳。

        利用白噪声检验该序列的纯随机性，检验结果如下所示，白噪声检验的第四列p值为0.0387小于显著性水平(a=0.05)，拒绝纯随机性的原假设，所以序列表现非随机性。

（2）如果序列平稳且非白噪声，选择适当的模型拟合该序列的发展：

        在自相关延迟阶数小于等于5，移动平均延迟阶数也小于等于5的所有ARMA(p,q)模型中，BIC信息量相对最小的是ARMA(1,0)模型，即AR(1)模型。

AR(1)模型参数估计如下所示，拟合模型为：

（3）利用拟合模型，预测该城市未来五年的降雪量：

        拟合模型预测结果如下所示，未来5年降雪量预测值为：90.1563mm、83.8882mm、81.9083mm、81.2829mm、81.0853mm。

【程序】

data example1;
input x@@;
time=_n_;
cards;
126.4 82.4 78.1 51.1 90.9 76.2 104.5 87.4
110.5 25 69.3 53.5	39.8 63.6 46.7 72.9
79.6 83.6 80.7 60.3	79 74.4	49.6 54.7
71.8 49.1 103.9 51.6 82.4 83.6 77.8 79.3
89.6 85.5 58 120.7 110.5 65.4 39.9 40.1
88.7 71.4 83 55.9 89.9 84.8	105.2 113.7
124.7 114.5 115.6 102.4	101.4 89.8 71.5 70.9
98.3 55.5 66.1 78.4	120.5 97 110	;
proc gplot data=example1;
plot x*time=1;
symbol1 c=red I=Join v=star;
proc arima data=example1;
identify var=x nlag=8 minic p=(0:5) q=(0:5);
estimate p=1;
forecast lead=5 id=time out=results;
run;

18、

(1) 判断该序列平稳性和纯随机性：

绘制该序列时序图，如下图所示，时序图显示该序列波动平稳。

        利用白噪声检验该序列的纯随机性，检验结果如下所示，白噪声检验的第四列p值小于显著性水平(a=0.05)，拒绝纯随机性的原假设，所以序列表现非随机性。

(2) 选择适当的模型拟合该序列的发展：

        在自相关延迟阶数小于等于5，移动平均延迟阶数也小于等于5的所有ARMA(p,q)模型中，BIC信息量相对最小的是ARMA(1,0)模型，即AR(1)模型。

AR(1)模型参数估计如下所示，拟合模型为：

(3) 利用拟合模型，预测该地区未来5年的谷物产量：

        拟合模型预测结果如下所示，未来5年的谷物产量预测值为：0.7046千吨、0.7956千吨、0.8295千吨、0.8421千吨、0.8468千吨。

【程序】

data example2;
input x@@;
time=_n_;
cards;
0.97	0.45	1.61	1.26	1.37	1.43	1.32	1.23	0.84	0.89	1.18
1.33	1.21	0.98	0.91	0.61	1.23	0.97	1.10	0.74	0.80	0.81
0.80	0.60	0.59	0.63	0.87	0.36	0.81	0.91	0.77	0.96	0.93
0.95	0.65	0.98	0.70	0.86	1.32	0.88	0.68	0.78	1.25	0.79
1.19	0.69	0.92	0.86	0.86	0.85	0.90	0.54	0.32	1.40	1.14
0.69	0.91	0.68	0.57	0.94	0.35	0.39	0.45	0.99	0.84	0.62
0.85	0.73	0.66	0.76	0.63	0.32	0.17	0.46			
;
proc gplot data=example2;
plot x*time=1;
Symbol1 c=red I=Join v=star;
proc arima data=example2;
identify var=x nlag=8 minic p=(0:5) q=(0:5);
estimate p=1;
forecast lead=5 id=time out=results;
run;