526季节模型-简单季节模型

/*简单季节模型指的是序列中的季节效应和其他效应之间是加法关系，即Xt=St+Tt+It;通常简单的季节模型进行周期为步长的差分即可将序列的中的季节信息充分提取，简单的低阶差分即可降趋势信息提取充分，提取完提取完季节信息和趋势信息后残差序列就是一个平稳序列，可用ARIMA模型拟合*//*以下为工人的季度失业率*/dataa;inputx@@;t=intnx('month','01jan1962'd,_n_-1);formattyymmdd4.;cards;1.10.50.40.71.60.60.50.71.30.60.50.71.20.50.40.60.90.50.51.12.92.11.722.71.30.911.60.60.50.71.10.50.50.61.20.70.711.510.91.11.5111.62.62.12.33.654.54.54.95.74.344.45.24.34.24.55.24.13.94.14.83.53.43.54.23.43.64.35.54.85.46.5877.48.510.18.98.89108.78.88.910.48.98.9910.28.68.48.49.98.58.68.79.88.68.48.28.87.67.57.68.17.16.96.66.866.26.2;procgplotdata=a;plotx*t;symbolc=redv=stari=join;run;/*时序图观察可得，该序列既含有长期趋势又含有以年为周期的季节效应。*//*因此需要进行一阶差分消除趋势效应，进行K不差分消除季节效应*/datab;seta;difx=dif(x);/*先作一阶差分*/dif14=dif4(difx);/*在一阶差分基础上作K步差分*/procgplotdata=b;plotdifx*tdif14*t;/*一阶差分图仍然显示出季节效应，但是消除了趋势效应；进行4步差分后，季节效应也被消除*/symbolc=redv=stari=join;run;procarimadata=b;identifyvar=x(1,4);/*对一阶差分4步差分后的序列建模：观察自相关图与偏自相关图，以及白噪声序列；若是平稳非白噪声序列则可以对其进行ARIMA模型拟合*/run;/*自相关图，差分后的序列仍然具有一定得季节效应，所有延迟4阶之后，自相关系数又是一个反弹。。由于延迟1阶到3阶，延迟4阶到7阶衰减的非常迅速，所以该序列具有短期相关性*//*偏自相关图，除了1阶和4阶的偏自相关系数显著大于2被标准差之外，其他的阶数偏自相关系数基本上在2倍标准差以内*/procarimadata=b;identifyvar=x(1,4);estimatep=(1,4);run;procarimadata=b;identifyvar=x(1,4);estimatep=(14)noint;run;