《基于sas分析固定资本形成总额变化趋势的研究概要》由会员分享，可在线阅读，更多相关《基于sas分析固定资本形成总额变化趋势的研究概要（17页珍藏版）》请在金锄头文库上搜索。
1、时间序列分析实验报告基于SAS分析固定资本形成总额变化趋势的研究一.前言 固定资本形成总额是常住单位在一定时期内获得的减去处置的固定资产加存货的变动,包括固定资本形成总额和存货增加。分有形固定资产形成总额和无形固定资产形成总额。本文通过1978-2011年固定资本形成总额数据，运用SAS软件来分析未来分析固定资本形成总额的发展趋势，使人们在调控时提供更好的参考。二问题的提出固定资本形成总额具体分类有很多，所以在研究经济时，固定资本形成总额有很大需要去研究，同时，它与许多经济变量有着密不可分的联系，例如：社会消费品零售总额，GDP，进出口总额等等。为了更好地研究固定资本形成总额对我国经济的影响，
2、在此，研究其未来的趋势十分重要。三数据年份固定资本形成总额（亿元）X5197817.98197917.65336198015.86351198115.21976198216.8833198318.27747198424.9767198530.91618198633.12507198734.3201198832.50558198926.11207199030.48853199131.80385199232.8823199334.27403199437.4096199542.16944199650.06047199759.97096199873.03245199986.14649200096.99
3、6462001121.94092002140.29372003159.26952004172.11312005194.04052006222.122007253.4822008288.70492009348.11152010415.73392011494.48251、绘制时序图，输入的代码如下：data a; /*建立永久数据集并命名a*/input x5; /*输入x5变量，将数据以行的形式被读取*/time=intnx(year,1jan1978d,_n_-1); /*将时间变量从1978年1月1 日开始输入第一数据，并以年为递增周期依 次自动生成时间数据*/format time yea
4、r4.; /*时间变量time的输出格式为字符长度为4的数据*/cards; /*进行数据录入*/17.9817.6533615.8635115.2197616.883318.2774724.976730.9161833.1250734.320132.5055826.1120730.4885331.8038532.882334.2740337.409642.1694450.0604759.9709673.0324586.1464996.99646121.9409140.2937159.2695172.1131194.0405222.12253.482288.7049348.1115415.73
5、39494.4825;run;proc gplot data=a; /*查看输出结果*/plot x5*time; /*输出以time为横坐标，X5为纵坐标的曲线图symbol v=star i=join c=red; /*各点的形状为星号，各点是通过直线连接 的，曲线的颜色是红色*/run; 图一时序图显示该序列有明显的逐年递减的趋势，波动不平稳，显然该序列不是平稳序列。2、对原序列进行一阶差分运算，输入的代码如下：data a;input x5;time=intnx(year,1jan1978d,_n_-1);format time year4.;dif=dif(x5); /*将X5进行1
6、阶差分*/cards;17.9817.6533615.8635115.2197616.883318.2774724.976730.9161833.1250734.320132.5055826.1120730.4885331.8038532.882334.2740337.409642.1694450.0604759.9709673.0324586.1464996.99646121.9409140.2937159.2695172.1131194.0405222.12253.482288.7049348.1115415.7339494.4825;run;proc gplot data=a;plot
7、dif*time;symbol v=star i=join c=red;run;图2由图2可知，该序列一阶差分后仍是不平稳的，再做一次二阶差分，输入的代码如下：data a;Input x5;time=intnx(year,1jan1978d,_n_-1);format time year4.;dif=dif(dif(x5); /*将X5进行2阶差分*/cards;17.9817.6533615.8635115.2197616.883318.2774724.976730.9161833.1250734.320132.5055826.1120730.4885331.8038532.882334.
8、2740337.409642.1694450.0604759.9709673.0324586.1464996.99646121.9409140.2937159.2695172.1131194.0405222.12253.482288.7049348.1115415.7339494.4825;run;proc gplot data=a;plot dif*time;symbol v=star i=join c=red;run;图3由图3可知，二阶差分后的序列没有显著地不平稳，利用样本自相关系数图进一步考察，输入的代码如下：proc arima data=a; /*对a进行自相关和纯随机性检验*/i
9、dentify var=dif nlag=12; /*对X5进行1阶12步差分后的序列进行识别*/run;图4 自相关系数图图5 偏自相关系数图图6 纯随机检验图由图6纯随机检验图，发现P值比给定的显著性水平=0.05大，因此，拒绝原假设H0，认为该序列为白噪声序列。，考虑再做一次三阶差分，输入的代码如下：data a;input x5;time=intnx(year,1jan1978d,_n_-1);format time year4.;dif=dif(dif(dif(x5); /*将X5进行3阶差分*/cards;17.9817.6533615.8635115.2197616.883318
10、.2774724.976730.9161833.1250734.320132.5055826.1120730.4885331.8038532.882334.2740337.409642.1694450.0604759.9709673.0324586.1464996.99646121.9409140.2937159.2695172.1131194.0405222.12253.482288.7049348.1115415.7339494.4825;run;proc gplot data=a;plot dif*time;symbol v=star i=join c=red;run;图7由图7可以看出
11、，该序列三阶差分后的时序图平稳，为了进一步确定平稳性，再观察自相关系数图和偏自相关系数图，输入的代码如下：proc arima data=a;identify var=dif nlag=12;run;图8 自相关系数图图9 偏自相关系数图图10 纯随机检验图由图10可以看出延迟6阶、12阶的检验P值比给定的显著性水平小，因此，拒绝原假设，认为该序列为非白噪声序列。所以，对该序列建模是有意义的。3、 模型的建立及模型的检验（一）模型的相对最优定阶：proc arima data=a;identify var=dif nlag=12 minic p=(0:5) q=(0:5); /*自相关P延迟阶
12、数在0到5之间，偏自相关q阶数在0到5之间所有ARMA（p q）模型BIC信息量，并显示最小值*/ run;图11由图11可得，在自相关延迟阶数小于等于5，移动平均延迟阶数也小于等于5的所有ARMA（p,q）模型中，BIC信息量相对最小是ARMA(4，1)模型。（二）参数估计：输入的代码如下： estimate p=4 q=1; /*用极大似然估计法对MA（4,1）模型参数估计*/run;图12由图12可知，MU、MA(1，1)、MA(1，2)、MA(1，3)、MA(1，4)、MA(1，5)、AR（1，1）、AR（1,2）、 AR（1，3）、AR（1，4）均大于0.05，所以通过观察样本的自相
13、关图和偏自相关图确立最优模型，因为样本自相关图是3阶截尾，偏自相关图是3阶截尾所以，我们可以选择MA（3）,AR（3）这两个模型来确定解释变量的最优模型。模型一：MA(3)输入的代码如下：estimate q=3;run;图13由图可以看到参数的估计方法为条件最小二乘估计法；由图可以得出参数估计结果显示均值MA（1,2）和MA（1,3）不显著（检验统计量的值均大于0.05），而MU,MA（1，1）显著。所以选择NOINT选项，并且取MA(0 1)作为拟合模型（变为疏系数模型），再次估计未知参数的结果。输入的命令如下输入的代码如下：estimate q=（0 1）method=cls noint;run;图14由图14可以得
