首页 > 其他分享 >时间序列分析:西安GDP 的 ARIMA 分析SAS操作过程(理论知识略)

时间序列分析:西安GDP 的 ARIMA 分析SAS操作过程(理论知识略)

时间:2024-07-07 19:30:54浏览次数:15  
标签:GDP run log 模型 ARIMA 序列 SAS data

目录

一、西安GDP 的 ARIMA 分析

二、判断序列的平稳性

 三、定阶和预测

SAS代码附录:


一、西安GDP 的 ARIMA 分析

通过对某一指标进行短期的ARIMA分析预测,我们能够预见其未来几年的变化趋势.基于这些预测结果,我们可以采取针对性的措施和制定适应性政策,以促进快速且高效的发展.以西安GDP为例,我们首先运用ARIMA模型进行分析,并与回归分析的结果进行比较,以便选取更优的模型对其他指标进行预测分析.

二、判断序列的平稳性

我们以 GDP 作为西安地区的总产值指标,并采用1990至2021年的数据集.通过绘制 GDP 的随时间变化图表,即时序图,我们可以直观地观察到数据随时间显著增长的走势,如图展示.

 这表明原始序列存在明显的上升趋势,为了减缓上升趋势,对该序列进行取对数(以10为底)处理,取对数后,时序图如图.

观察取对数后的分时序图,上升趋势依旧存在.因此在此基础上,继续进行差分处理.然而,当进行二阶差分后,时序图显示出较为平稳的趋势.因此,可以初步认为初始序列是二阶差分后平稳的时间序列如图 所示.

 进一步利用adf检验,检验该序列的平稳性,结果如下图:

ADF检验p值小于0.05,表明该序列不存在单位根,说明该序列为平稳序列.

对一阶差分后的序列进行白噪声检验,SAS输出结果如图.

 p值小于0.05,说明序列是非白噪声序列,说明可以进行后续分析.

 三、定阶和预测

ACF图和PACF图均为2阶拖尾.

下面借助BIC最小准则确定最优模型,结果如下:

 最小BIC 信息量为-8.234.由BIC最小准则确定的最优模型为ARIMA(2,2,0) .因此尝试利用该模型进行拟合,该模型参数检验结果如下:

该模型中常数项以及AR(1) 项不显著,只有AR(2) 显著,因此对该模型进一步使用稀疏系数处理,只保留AR(2) 项,结果如下:

 残差的白噪声检验结果如图所示.

 残差随机性检验结果表明,残差为随机序列,表明该模型很好的提取了序列的信息.

如图所示,残差的每项滞后阶的白噪声检验p值都大于0.05,通过显著性检验,残差为白噪声序列,就如同图4-10的残差正态诊断图一样,残差服从正态分布,不含有有效性息,模型拟合效果好.最终拟合模型结果如图:

 利用该模型进行拟合和预测,模型拟合图如图.

由拟合图可知模型拟合值与真实值非常接近.进一步利用该模型预测2021-2027年西安的GDP数据,结果如图(取log后):

对比 2022年和 2023年的预测结果.结果显示,相对误差保持在 0.10 以内,这表明模型的预测性能较为可靠.

真实值

预测值

误差

2022年

11486.51

11593.11

0.0092

2023年

12010.76

12615.37

0.0503

2024年

13630.13

2025年

14702.8

2026年

15911.09

2027年

17230.58

SAS代码附录:

/*导入数据集*/
data data1;
input year GDP;
GDP_log=log10(GDP);
cards;
1990 116.51
1991 136.14
1992 164.85
1993 229.56
1994 289.82
1995 330.35
1996 406.95
1997 488.82
1998 525.85
1999 577.29
2000 646.13
2001 734.86
2002 826.68
2003 941.60	
2004 1095.87
2005 1270.14
2006 1473.68
2007 1763.73
2008 2190.04
2009 2724
2010 3241.5
2011 3864.21
2012 4366.1
2013 4884.13
2014 5492.64
2015 5801.2
2016 6282.65
2017 7471.89
2018 8349.86
2019 9321.19
2020 10020.39
2021 10688.28
;
run;
/*原数据时序图*/
proc sgplot data= data1;
series x=year y=GDP;
run;
/*取log数据时序图*/
proc sgplot data= data1;
series x=year y=GDP_log;
run;
/*一阶差分后平稳性检验*/
proc arima data=data1;
identify var=GDP_log(1) nlag=6 stationarity=(adf=0);
run;
/*二阶差分后平稳性检验*/
proc arima data=data1;
identify var=GDP_log(1,1) nlag=6  stationarity=(adf=0);
run;
/*利用minic过程根据BIC最小原则寻找最优模型*/
proc arima data =data1;
identify var=GDP_log(1,1) minic p=(0:2) q=(0:2);
run;
/*模型估计*/
proc arima data =data1;
identify var=GDP_log(1,1);
estimate p=2 ;
run;
/*稀疏处理*/
proc arima data =data1;
identify var=GDP_log(1,1);
estimate p=(2) noint;
run;
/*预测*/
proc arima data =data1;
identify var=GDP_log(1,1);
estimate p=(2) noint;
forecast lead=6 id=year  out=results;
run;
/*预测图和拟合图*/
proc gplot data=results;
plot GDP_log*year=1 forecast*year=2 l95*year=3 u95*year=3/overlay;
symbol1 c=black i=none v=star;
symbol2 c=red i=join v=none;
symbol3 c=green i=join v=none line=25;
run;

标签:GDP,run,log,模型,ARIMA,序列,SAS,data
From: https://blog.csdn.net/lonelyxxyo/article/details/140250366

相关文章

  • ArcPy|使用ArcPy实现区域统(ZonalStatisticsAsTable)计并将统计结果添加到原有要素的属
    ArcPy|使用ArcPy实现按区域统计并将统计结果添加到原有要素的属性表​ 使用ArcPy快速实现按区域统计,并将统计结果添加到原有属性表,因为ArcPy的接口中并没有直接添加这一选项,这里是选择输出了一个中间dbf文件,再将中间dbf文件与原有要素连接来实现。#-*-coding:utf-8-*-"""P......
  • SubstanceArchive .sbsasm file & ProceduralMaterial
    The.sbsasmfilecanbecopiedoutoftheSubstanceArchive.Exportitrawanddeleteeverythingbefore"SBAM"inahexeditor.Theonlyissueisthe.xmlfilethatneedstobenexttothe.sbsasmfile(botharepackedina.7zrenamedto.sbsar)......
  • R语言、SAS潜类别(分类)轨迹模型LCTM分析体重指数 (BMI)数据可视化|附代码数据
    全文下载链接: http://tecdat.cn/?p=26105 最近我们被客户要求撰写关于LCTM的研究报告,包括一些图形和统计输出。在本文中,潜类别轨迹建模(LCTM)是流行病学中一种相对较新的方法,用于描述生命过程中的暴露,它将异质人群简化为同质模式或类别。然而,对于给定的数据集,可以根据类的数......
  • Python金融时间序列模型ARIMA 和GARCH 在股票市场预测应用|附代码数据
    原文链接:http://tecdat.cn/?p=24407最近我们被客户要求撰写关于金融时间序列模型的研究报告,包括一些图形和统计输出。这篇文章讨论了自回归综合移动平均模型(ARIMA)和自回归条件异方差模型(GARCH)及其在股票市场预测中的应用 ( 点击文末“阅读原文”获取完整代码数据******......
  • node-sass 依赖包无法安装的解决方法
     一、问题描述重装Node后,重新启动项目,报错未找到node-sass模块试过各种npm方法后依然无效,于是放弃安装。 网上常见的解决方法使用cnpm:cnpminstallnode-sass--save(失败)指定镜像源:npminode-sass--save--sass_binary_site=https://npm.taobao.org/mirrors/node......
  • Python时间序列模型分析太阳能光伏发电数据:灰色模型GM(1,1)、ARIMA、指数平滑法可视化分
    全文链接:https://tecdat.cn/?p=36660原文出处:拓端数据部落公众号在可再生能源领域中,太阳能光伏发电作为一种清洁、可再生的能源形式,近年来得到了广泛关注与应用。随着技术的进步和成本的降低,光伏发电已成为全球能源结构转型的重要方向之一。然而,光伏发电的发电量受多种因素影响,......
  • R语言武汉流动人口趋势预测:灰色模型GM(1,1)、ARIMA时间序列、logistic逻辑回归模型|附代
    全文链接:http://tecdat.cn/?p=32496原文出处:拓端数据部落公众号人口流动与迁移,作为人类产生以来就存在的一种社会现象,伴随着人类文明的不断进步从未间断。人力资源是社会文明进步、人民富裕幸福、国家繁荣昌盛的核心推动力量。当前,我国经济正处于从以政府主导的投资驱动型的经......
  • bug:node-sass报错
    问题:淘宝的npm镜像源https://registry.npm.taobao.org到期,切换到了新镜像源,npmconfigsetregistryhttps://registry.npmmirror.com但是启动老某些老项目的时候,报了node-sass的问题,原因:通过排查发现,原来是有个.npmrc文件配置了老淘宝源 而且npm包管理器就算已经通过np......
  • 搭建Renesas R7FA8D1BHECBD-BTB的开发调试环境(DAP-LINK: N32G45XVL-STB)
    目录概述1软硬件1.1软硬件环境信息1.2开发板信息1.3调试器信息2FSP和KEIL产生测试项目2.1FSP生成项目2.2Keil中配置 3 硬件连接框图4一个测试案例4.1功能介绍4.2 定时器函数5测试搭建RenesasR7FA8D1BHECBD-BTB的开发调试环境(DAP-LINK:N32G45......
  • KAFKA配置 SASL_SSL双重认证
    1.背景kafka提供了多种安全认证机制,主要分为SASL和SSL两大类。SASL:是一种身份验证机制,用于在客户端和服务器之间进行身份验证的过程,其中SASL/PLAIN是基于账号密码的认证方式。SSL:是一种加密协议,用于在网络通信中提供数据的保密性和完整性。它使用公钥和私钥来建立安全的连接,并......