SAS 非平稳时间序列ARIMA 操作方法-经管之家官网！

免费学术公开课,扫码加入

今天学习ARIMA预测时间序列。

指数平滑法对于预测来说是非常有帮助的，而且它对时间序列上面连续的值之间相关性没有要求。但是，如果你想使用指数平滑法计算出预测区间，那么预测误差必须是不相关的， 而且预测误差必须是服从零均值、 方差不变的正态分布。

即使指数平滑法对时间序列连续数值之间相关性没有要求，在某种情况下，我们可以通过考虑数据之间的相关性来创建更好的预测模型。

自回归移动平均模型（ ARIMA） 包含一个确定（explicit）的统计模型用于处理时间序列的不规则部分，它也允许不规则部分可以自相关。

首先，先确定数据的差分。

ARMA 模型为平稳时间序列定义的。

如果你从一个非平稳的时间序列开始，首先你就需要做时间序列差分直到你得到一个平稳时间序列。如果你必须对时间序列做 d 阶差分才能得到一个平稳序列，那么你就使用ARIMA(p,d,q)模型，其中 d 是差分的阶数。

SAS使用方法

载入数据后

不选中“差分响应序列” 直接运行，查看“趋势和相关分析图”

第一副图如果平稳则直接运行，如果不平稳则需要对“差分响应序列”进行设置,

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:

------------------------------

如果输入框内输入为 1 则代码转化如下代表一阶差分！
identify var=sales(1) /*sales 为一变量名称*/

------------------------------

------------------------------

如果输入框内输入为1,2 则代码转化如下代表二阶差分

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

也就是说（）中有N个值就是做了N阶差分，例如（A,B,C）则表示三阶差分，先做了间隔为1的第一次差分，之后再做了间隔为B的第二阶差分，之后又做了间隔为C的第三阶差分

------------------------------

实际应用中，一阶差分常常是需要的，二阶差分偶尔使用，三阶以上差分是没有必要的，过多的差分会掩盖时间序列的模型结构，降低预测精度。

白噪声的自相关检查，是运行结果自动出现（样本量如果够的话），

（Autocorrelation Cleck for white noise ）

这里有张图我这里直接手打了

白噪声的自相关检查

关注Pr > 卡方和 卡方值

查看卡方值，如果过小（小于10 则说明白噪声零假设不成立，说明存在非白噪声干扰），

查看Pr>卡方（CHIS） SAS中原假设为 所给的时间序列为白噪声， 当Pr>ChiS 的值大于0.05，则认为是白噪声（如果是白噪声则不适用任何模型，不能进行预测），如果是Pr>ChiS的值<<0.01则 所给的时间序列数据不是白噪声（数据可预测）

也就是说 非平稳时间序列 ARIMA 通过差分得到平稳时间序列ARMA，而且需要ARMA数据是平稳非白噪声的序列才可以

2、平稳性检验

ADF检验是增项DF检验，DF检验由Dickey和Fuller于1979年提出。DF检验用于检验变量的非平稳性。若时间序列模型中含有单位根，则模型是非平稳的。

对于AR(1)自回归滞后一阶模型，滞后期系数如果等于1，则无法收敛。

DF检验的原假设为H0:beta=1，H1:beta<1。其中beta可以用OLS去估计。t=(beta-1)/std(beta)。t统计量并不服从t分布，而是服从DF分布。DF分布是Dickey Fuller研究的专门检验单位根的分布，DF检验是左单侧检验，当计算的t高于临界值则接受原假设(此模型是非平稳的)，若t小于临界值，则拒绝原假设(此模型是平稳的)。 看PR<Tau 的值！

这里也有图但是放不进来

图是 增广dickey--fuller单位根检验

3、寻找自动化查找AIC 最低值，

data TMP_FOR_PAYMENT_2;

input x@@;

difx=dif(dif(x)); -------一阶差分，令不平稳转化为平稳

time=_n_; ----时间标签

cards; ----以下是数据

82.2 96.8 124.2 110.2 106.9 111.8 111.5 110.0 118.3 121.9 140.0 148.5 156.2 164.4

172.3 180.1 197.4 217.2 224.2 239.1 261.5 259.8 276.2 278.3 261.1 259.4 265.3

;

proc gplot data=income;

plot x *time difx*time;

symbol1 c=red v=star i=join;----画图

proc arima;

identify var=x(1,1) ---对数据进行二阶差分

minic p= (0:5) q= (0:5);----对ARIMA 的P Q值取0---5之间 计算出AIC最小值的取值，K

run;

proc arima data=income;

identify var=x;

estimate p=2 method=ml; ---P值 为上一步计算出的K值

run;

------------------------------------------------------------------- */

ODS GRAPHICS ON;

%_eg_conditional_dropds(WORK.TMP0TempTableInput);

/* -------------------------------------------------------------------

对数据集 WORK.TEST 排序

------------------------------------------------------------------- */

PROC SORT

DATA=WORK.TEST(KEEP=value dt)

OUT=WORK.TMP0TempTableInput

;

BY dt;

RUN;

TITLE;

TITLE1 "ARIMA 建模和预测";

TITLE2 "结果";

FOOTNOTE;

FOOTNOTE1 "由 SAS 系统 (&_SASSERVERNAME, &SYSSCPL) 于 %TRIM(%QSYSFUNC(DATE(), NLDATE20.))%TRIM(%SYSFUNC(TIME(), NLTIMAP16.)) 生成";

PROC ARIMA DATA=WORK.TMP0TempTableInput ;

IDENTIFY

VAR=value MINIC P=(0:5) Q=(0:5)

;

RUN;QUIT;TITLE;

/* -------------------------------------------------------------------

任务代码的结尾。

------------------------------------------------------------------- */

RUN; QUIT;

%_eg_conditional_dropds(WORK.TMP0TempTableInput);

TITLE; FOOTNOTE;

ODS GRAPHICS OFF;

运行自动查找最小值程序后有显示 ，根据黄色标记是在数据表---分析----时间序列--ARIMA运行第一步 然后把代码拷贝出来

再添加 自动筛选P Q值的语句MINIC P=(0:5) Q=(0:5) 再运行

则代表 P=2 Q不设置 在下一步“估计”程序中要直接设置两个值

4、估计

根据3步代码确定了P Q值，所以直接进行设置，在输出结果中

应该在条件最小二乘估计中AR(1,1)中 Pr>|t| 应小于0.05 为估计通过

5、预测

符合以上条件之后方可进行预测

如果出现警告 例如 数据不收敛 或者 迭代不够 均不能作预测因为不符合预测模型

「经管之家」APP：经管人学习、答疑、交友，就上经管之家！
免流量费下载资料----在经管之家app可以下载论坛上的所有资源，并且不额外收取下载高峰期的论坛币。
涵盖所有经管领域的优秀内容----覆盖经济、管理、金融投资、计量统计、数据分析、国贸、财会等专业的学习宝库，各类资料应有尽有。
来自五湖四海的经管达人----已经有上千万的经管人来到这里，你可以找到任何学科方向、有共同话题的朋友。
经管之家（原人大经济论坛），跨越高校的围墙，带你走进经管知识的新世界。
扫描下方二维码下载并注册APP