proc arima data=example2_1; identify var=ppm; run; 实验结果: Correlation 0.90751 0.72171 0.51252 0.34982 0.2469 0.20309 0.21021 0.26429 0.36433 0.48472 0.58456 0.60198 0.51841 0.36856 0.20671 0.08138 0.00135 -0.03248 （3）绘制该样本自相关图，并解释该图形。 6
自相关图显示序列子相关系数长期位于零轴的一边，这是具有单调趋势序列的典型特征，同时自相关图呈现出明显的正弦波动规律，这是具有周期变化规律的非平稳序列的典型特征。自相关图显示出来的这两个性质和该序列时序图显示的带长期递增趋势的周期性质是非常吻合的。 3.1945-1950年费城月度降雨量数据如下（单位：mm） 实验程序： data example2_3; input freq@@; time=intnx ('month','1jan1945'd,_n_-1); format time date.; cards; 69.3 80.0 40.9 74.9 84.6 101.1 225.0 95.3 100.6 48.3 144.5 128.3 38.4 52.3 68.6 37.1 148.6 218.7 131.6 112.8 81.8 31.0 47.5 70.1 96.8 61.5 55.6 171.7 220.5 119.4 63.2 181.6 73.9 64.8 166.9 48.0 137.7 80.5 105.2 89.9 174.8 124.0 86.4 136.9 31.5 35.3 112.3 143.0 160.8 97.0 80.5 62.5 158.2 7.6 165.9 106.7 92.2 63.2 26.2 77.0 52.3 105.4 114.3 49.5 116.1 54.1 148.6 159.3 85.3 67.3 112.8 59.4 ; proc arima data=example2_3; identify var=freq; run; 自相关图： 7
?k(k?1,2,（1）计算该序列的样本自相关系数?从上面的自相关图可以看出样本的自相关系数为 ,24)。 Correlation 0.06005 -0.04326 -0.09752 -0.21647 -0.13151 -0.05730 0.03337 -0.09036 -0.00232 0.02520 0.16991 0.02973 -.16785 -.15233 -.18319 0.08096 8
（2）判断该序列的平稳性。 如下图是该序列的时序图： 根据序列图可以知道，图上可以看出该序列在一个常值附近上下波动，且不具有周期性，判断该序列为平稳序列。 （3）判断该序列的纯随机性。 本序列的检验结果如下： 由于P值显著大于显著性水平0.05，所以该序列不能拒绝纯随机的原假设。因而可以认为费城月度降雨量的变动属于纯随机波动。 9
5.表2-9数据是某公司在2000-2003年期间每月的销售量。 （1）绘制该序列时序图及样本自相关图。 实验程序： data example2_3; input number@@; time=intnx('month','1jan2000'd,_n_-1); format time yymmdd10.; cards; 153 187 234 212 300 221 201 175 123 104 85 78 134 175 243 227 298 256 237 165 124 106 87 74 145 203 189 214 295 220 231 174 119 85 67 75 117 178 149 178 248 202 162 135 120 96 90 63 ; proc gplot data=example2_3; plot number*time=1; symbol1 c=black v=star i=join; proc arima data=example2_3; identify var=number; run; 时序图 10