这位哥们,你没懂我意思。
而且你的变量中没有时间变量啊!可能是我懂得少,时间序列也是自学的。就把知道的告你,参考参考吧!!!
首先你要知道p,q的含义。意思如下:
p=(p1,p2,....)...(p1,p2...)---定义一个在p中指定的泄后处具有自回归参数的模型,p的默认值为零。
q=(q1,q2,...)...(q1,q2)----定义一个在q中指定的泄后处具有滑动平均参数的模型。
如果二者没指定,说明是拟合随机模型。
对于时间序列的问题。
1首先要对平稳性和季节性的识别。
proc arima data=copper.cu_day_oneyear2;
identify var=log_close_sh;
run;
会输出有关时间序列变量log_close_sh的自相关系数ACF和ACF图;
通过观察ACF图和ACF的值观察数据呈现每隔n个时间单位为一个周期的季节性。
2接下来将原始的时间序列和消除增幅的时间序列按所得出的相隔n时间单位的间隔绘制在张表上。
此时对log_close_sh取对数,来消除增幅越来越大的现象。就取log_close_shlog=log(log_close_sh).
重做这份数据后,做图。
plot log_close_shlog*date;
plot2 log_close_sh*date;
如果平稳,p为n;(同理q)
不平稳,对该新的序列进行泄后1次和泄后n次的两次差分,平稳p为(1)(n)以下过程依此类推!
这个函数你应该知道混合自回归和滑动平均模型,简写为arima(p,d,q)
这样就可以确定p,q了!
思路是这样。如果你还不明白的话,我是再编一套给你吧。
|