毕业论文中想为残差建立ARMA模型,观察残差的自相关拖尾,偏自相关一阶截尾,所以应该是AR(1)模型。程序总是显示错误, 前面部分的程序都没问题,最后对残差估计模型的步骤程序总是不对,自己改了一个月也结果出不来。
数据和程序如下,数据集名字为bean,最后红色部分是有问题的地方。真着急。。 求大神帮助
data bean;
input x y;
t=_n_;
difx=dif(x);
dify=dif(y);
cards;
3879 3781
3850 3749
3852 3774
3853 3768
3848 3765
3845 3750
3888 3755
3911 3800
3924 3800
3932 3800
3942 3630
3931 3638
3935 3670
3938 3679
3930 3636
3927 3647
3934 3719
3931 3702
3937 3780
3998 3810
4003 3827
4003 3835
3998 3857
3993 3881
3989 3875
3987 3862
3977 3829
4002 3817
4067 3850
4080 3864
4116 3939
4117 3903
4105 3873
4106 3863
4105 3802
4103 3822
4102 3930
4120 3930
4124 3930
4118 3930
4112 3930
4086 3930
4079 3930
4073 3930
4072 3930
4063 3651
4040 3574
4041 3589
4034 3662
4030 3663
4022 3673
4005 3659
3999 3676
3992 3696
3987 3695
3978 3649
3965 3600
3962 3586
3955 3529
3905 3498
3885 3472
3886 3503
3888 3483
3888 3516
3885 3504
3880 3540
3888 3571
3893 3591
3905 3579
3887 3571
3871 3588
3853 3589
3855 3643
3873 3613
3893 3690
3892 3693
3882 3740
3866 3695
3879 3718
3897 3730
3923 3740
3922 3697
3942 3780
3941 3800
3924 3479
3946 3480
4018 3503
4040 3521
4054 3510
4054 3525
4051 3537
4030 3532
4027 3536
4049 3594
4083 3595
4103 3639
4152 3737
4168 3719
4176 3773
4161 3777
4146 3774
4139 3784
4123 3755
4090 3767
4071 3776
4063 3795
4020 3797
4016 3747
3996 3722
3955 3749
3918 3688
3897 3639
3888 3590
3870 3550
3873 3550
3864 3618
3866 3738
3869 3859
3895 3859
3952 3767
3955 3750
3960 3800
3953 3810
3938 3670
3932 3762
3920 3781
3919 3822
3918 3811
3919 3788
3933 3825
3903 3859
3879 3784
3867 3703
3838 3747
3835 3780
3853 3820
3839 3840
3848 3840
3872 3700
3884 3700
3893 3700
3898 3700
3907 3700
3934 3700
3940 3700
3940 3700
3940 3785
3940 3822
4060 3861
4054 3873
4110 3875
4135 3894
4166 3858
4277 4013
4272 4005
4269 3969
4262 3907
4261 3932
4252 3978
4254 4000
4258 3981
4261 3971
4261 4035
4276 4030
4297 4040
4315 4083
4339 4100
4360 4150
4346 3939
4332 3927
4333 3925
4336 3885
4354 3901
4376 3915
4395 3928
4402 3943
4407 3955
4094 3995
4416 4019
4449 4007
4446 4005
4421 4016
4419 3993
4388 4011
4386 3972
4395 3994
4363 3983
4357 3976
4357 3988
4357 3936
4357 3914
4357 3805
4357 3800
4357 3835
4357 3900
4357 3960
4357 3950
4357 3950
4357 3920
4357 3901
4357 3800
4357 3850
4357 3870
4357 3901
4357 3820
4357 3825
4357 3810
4357 3842
4357 3840
4357 3861
4357 3895
4357 3895
4357 3874
4275 3917
4204 3929
4176 3945
4185 3950
4191 3990
4189 4000
4177 4000
4177 3995
4167 4000
4159 3980
4145 4000
4129 4000
4123 3990
4106 3733
4102 3765
4077 3771
4066 3769
4057 3766
4037 3762
4031 3729
4011 3740
4009 3745
3995 3738
3984 3720
3984 3726
;
proc gplot;
plot x*t=1 y*t=2/overlay;
symbol1 c=black i=join v=none;
symbol2 c=red i=join v=none w=2 l=2;
run;
proc arima data=bean;
identify var=difx stationarity= (adf=1);
identify var=dify stationarity= (adf=1);
run;
proc arima;
identify var=y crosscorr=x;
estimate method=ml input=x plot;
forecast lead=0 id=t out=out;
proc arima data=out;
identify var=residual stationarity= (adf=2);
run;
proc arima data=out
identify var=residual stationarity= (adf=2)
estimate p=1 q=0 input=residual;
run;