先对模型进行定阶，选出相对最优的模型，下一步就是要估计模型中未知参数的值，以确定模型的口径，并对拟合好的模型进行显著性诊断。
ARIMA过程的第一步是要IDENTIFY命令对该序列的平稳性和纯随机性进行识别，并对平稳非白噪序列估计拟合模型的阶数。使用命令如下：
proc print data=example3_20;
IDENTIFY VAR =people nlag=8 minic p= (0:5) q =(0:5); run;
（3）绘制该序列拟合及未来5年预测序列图
模型拟合好之后，利用该模型对序列进行短期预测。预测命令如下： forecast lead=5 id=time out=results; run;
其中，lead指定预期数；id指定时间变量标识；out指定预测后期的结果存入某个数据集。
利用存储在临时数据集RESULTS里的数据，我们可以绘制拟合预测图，相关命令如下：
proc gplot data=results;
plot people*time=1 forecast*time=2 l95*time=3 u95*time=3/overlay; symbol1 c=red i=none v=star; symbol2 c=black i=join v=none; symbol3 c=green i=join v=none l=32; run;
1.4实验过程
按照实验的过程运行程序，对程序结果的分析如下：
（1）判断该序列的平稳性与纯随机性
3
图1-1 1971年9月-1993年6月澳大利亚季度常住人口变动序列时序图
时序图显示澳大利亚季度常住人口围绕在52千人附近随机波动，没有明显趋势或周期，基本可视为平稳模式。
图1-2序列自相关图
自相关图显示该序列的自相关系数一直都比较小，始终控制在2倍的标准差范围以内，故认为该序列是平稳序列。
图1-3序列的单位根检验结果
根据第五列、第六列输出的结果我们可以判断，当显著性水平?取0.05时，
4
序列非平稳，但当消除线性趋势之后序列平稳。
图1-4白噪声检验输出结果
可以看到延迟6阶、12阶的检验P值均小于0.05，故拒绝原假设，认为该序列为非白噪声序列（非纯随机序列）。
（2）选择适当模型拟合该序列的发展
图1-5IDENTIFY命令输出的最小信息量结果
最后一条信息显示，在自相关延迟阶数也小于等于5的所有ARMA(p，q)模型中，BIC信息量相对于最小的是ARMA（1，3）模型。
图1-6ESTIMATE命令输出的未知参数结果
图1-7ESTIMATE命令输出的拟合统计量结果
5
图1-8ESTIMATE命令输出的系数矩阵
图1-9ESTIMATE命令输出的残差自相关检验结果
从输出结果可以看出由于延迟各阶的LB统计量的P值均显著大于?（??0.05），所以该拟合模型显著成立。
图1-10ESTIMATE命令输出的拟合模型形式
该输出形式等价于：
xt?(1?0.62415B?0.253693B2?0.2953B3)?t
或记为：
xt??t?0.62415?t?1?0.253693?t?2?0.2953?t?3
（3）绘制该序列拟合及未来5年预测序列图
图1-11FORECAST命令输出的5年预测结果
拟合效果图如图1-11：
6
图1-12拟合效果图
7
百度搜索“77cn”或“免费范文网”即可找到本站免费阅读全部范文。收藏本站方便下次阅读，免费范文网，提供经典小说综合文库应用时间序列实验报告(2)在线全文阅读。
相关推荐：