时间序列分析课程实验报告
分析：由该序列的时序图可知，其具有长期趋势,且含有季节效应，趋势特征基本为线性趋势，即trend=2.
分析：由上表可以很明显的看到每一年的与序列值、预测值，还有预测的后面六期预测值的95%置信区间。
第10页
时间序列分析课程实验报告
分析：此表为预测过程中相关参数及拟合效果，可以看到RSQUARE=0.9574111，拟合效果很好。
分析：上图为预测效果图，其中绿色的线段表示预测值，红色的代表预测的5期值的95%
第11页
时间序列分析课程实验报告
置信区间，黑色的为原序列，可以看出其预测效果很好。 二、课后习题
7.某地区1962-1970年平均每头奶牛的月度产奶量数据(单位：磅)具体数据详见书P123
589 561 640 656 727 697 640 599 568 577 553 582 600 566 653 673 742 716 660 617 583 587 565 598 628 618 688 705 770 736 678 639 604 611 594 634 658 622 709 722 782 756 702 653 615 521 602 635 677 635 736 755 811 798 735 697 661 667 645 688 713 667 762 784 837 817 767 722 681 687 660 698 717 696 775 796 858 826 783 740 701 706 677 711 734 690 785 805 871 845 801 764 725 723 690 734 750 707 807 824 886 859 819 783 740 747 711 751
（1）绘制该序列的时序图，直观考察该序列的特点。
程序：
data lianxi1; input x@@;
t=intnx('month','1jan1962'd,_n_-1); format t date.; cards;
589 561 640 656 727 697 640 599 568 577 553 582 600 566 653 673 742 716 660 617 583 587 565 598 628 618 688 705 770 736 678 639 604 611 594 634 658 622 709 722 782 756 702 653 615 521 602 635 677 635 736 755 811 798 735 697 661 667 645 688 713 667 762 784 837 817 767 722 681 687 660 698 717 696 775 796 858 826 783 740 701 706 677 711 734 690 785 805 871 845 801 764 725 723 690 734 750 707 807 824 886 859 819 783 740 747 711 751 ;
proc gplot data=lianxi1; plot x*t;
symbol c=red v=star i=join; run;
第12页
时间序列分析课程实验报告
分析：由上图的时序图可以很明显的看出该序列具有长期的增长趋势，且具有明显的季节效应。
（2）使用因素分解方法，拟合该序列的发展，并预测下一年该地区奶牛的月度产奶量。 程序：
proc forecast data=lianxi1 method=stepar trend=2 lead=12 out=out outfull outest=est; id t; var x; run; data out; set out;
t=intnx('month','1jan1962'd,_n_-1); proc gplot data=out; plot x*t=_type_;
symbol1 i=join v=star c=black; symbol2 i=join v=none c=green; symbol3 i=join v=none c=red; symbol4 i=join v=none c=red; run;
第13页
时间序列分析课程实验报告
分析：上图绿色的为拟合趋势图，后面的12个月就为所预测的1年的奶牛产奶量，上下两条红色的线为95%执行区间，黑色的为原序列时序图，故可以看出该拟合趋势和原序列基本重合，故后面的预测结果也比较可信。 （3）使用X-11方法，确定该序列的趋势。 程序：
proc x11 data=lianxi1; monthly date=t; var x;
output out=out b1=x d10=season d11=adjusted d12=trend d13=irr; data out; set out;
estimate=trend*season/100; proc gplot data=out;
plot x*t=1 estimate*t=2/overlay; plot adjusted*t=1 trend*t=1 irr*t=1; symbol1 c=red i= join v=star; symbol2 c=black i=join v=star; run;
第14页