开放实验室报告

 

 

 

 

第二篇：实验报告范例1

化工生产量数据分析实验报告

实验时间：20xx年3月24日8点至10点，实验报告人：陈军才

一、实验目的

熟悉MA、AR、ARMA模型的样本自相关系数和偏相关系数的特点，利用它们识别和建立ARMA模型

二、实验内容

分析化工生产量数据

三、实验仪器与材料(或软硬件环境)

SAS/ETS模块

四、实验过程和步骤

1、创建名为exp2的SAS数据集，即在窗中输入下列语句：

data exp2;

input x @@;

n=_n_;

cards;

输入化工生产产量数据序列（略)

；

run;

2、保存此步骤中的程序，供以后分析使用。

3、绘时间序列图，观察序列特征，输入下列程序：

proc gplot data=exp2;

symbol i=spline v=star h=2 c=green;

plot x*n;

run;

4、提交程序，在graph窗口中观察序列（图1），可以看出此序列是均值平稳序列。

5、识别模型，输入如下程序。

proc arima data=exp2;

identity var=x nlag=12;

run;

6、提交程序，观察输出结果，见下图

发现样本自相关系数是二阶截尾的，一阶样本偏相关系数在2倍的标准差之外，二阶样本偏相关系数在2倍的标准差附近，因此我们可初步识别为MA（2）

或AR（1）或AR（2），我们分别估计这三个模型，输入如下程序： estimate plot q=2; run;

estimate plot p=1; run;

estimate plot p=2; run;

7、提交程序，观察输出结果。参数估计结果见表1，白噪声检验结果见表2。 表1 参数估计结果 参数 Mu

MA（2）

AR（1）

AR（2）

51.17301（1.28430）51.26169（0.92286）51.22013（1.11990）

*

*

*

MA（1） 0.32286（0.12155）*MA（2）

-0.31009（0.12204）

*

AR（1） AR（2）

-0.42481（0.11561）-0.34682（0.12609）

*

*

0.18714（0.12613）

注：表中报告的是参数估计值，括号内是其标准差；*表示在10%的显著性水平下是显著的。

表2 模型的白噪声检验 滞后步数

6 12 18

MA（2） 2.28（0.6842） 4.46（0.9242） 10.79（0.8225）

AR（1） 4.60（0.4670） 7.00（0.7991） 14.45（0.6347）

AR（2） 1.91（0.7514） 4.48（0.9228） 11.60（0.7709）

注：表中报告的是Ljung-Box的卡方统计量，括号内是其概率值。

由表1和表2可知，除AR（2）模型的AR（2）参数不显著外，其他参数都显著，且残差都能通过Ljung-Box的卡方白噪声检验。

8、确定模型阶数。利用AIC和SBC信息准则来确定模型阶数, AIC和SBC值见表3。

表3 模型的信息准则值

信息准则 AIC SBC

结果发现AR(1)模型的AIC和其它模型相差很小，而AR（1）的SBC是最小的，因此我们选择AR(1)模型作为我们的结果。

9、根据参数估计结果（见表1），可以写出模型为：

zt+0.42481zt?1=at

其中，Zt表示t时刻化工生产产量，zt=Zt?51.26169表示它的偏差序列，at是白噪声序列。

10、 进行预测，输入如下程序： forecast lead=5 out=out; run;

提交程序，得到预测结果见表4。

表4 预测结果

观察序号 71 72 73 74 75

预测值 63.2676 46.1614 53.4283 50.3413 51.6527

预测标准差 10.9578 11.9056 12.0687 12.0979 12.1032

95%下限 41.7907 22.8269 29.7741 26.6298 27.9310

95%上限 84.7445 69.4959 77.0825 74.0527 75.3744

MA（2） 536.4556 543.2011

AR（1） 535.7896 540.2866

AR（2） 535.5254 542.2709

11、 退出SAS系统，关闭计算机。 五、实验心得与体会

通过本次实验，我学会了平稳模型通过SAS的实现方法，学会了如何利用样本自相关函数和偏自相关函数等统计工具识别模型，学会了模型的诊断检验方法和如何进行模型的优选。