SAS实验指导-Arch建模要点

如果缺失值很多，则应使用ML估计。 3. output语句

? out=数据集——指定包含预测值和变换值的输出数据集；

? alphacli=数值——设置时间序列预测值置信区间的显著水平，默认为0.05;

? alphaclm=数值——设置模型结构部分预测值置信区间的显著水平，缺省值为0.05;

? cev=变量——把条件误差方差写入到输出数据集的指定变量中，仅GARCH模型被估计时才使用； ? cpev＝变量——把条件预测误差方差写入到输出数据集的指定变量中，仅GARCH模型被估计时才使用； ? constant＝变量——把被变换的均值写入到输出数据集的指定变量中；

? lcl＝变量——把预测值的置信下限写入到输出数据集的指定变量中；

? ucl＝变量——把预测值的置信上限写入到输出数据集的指定变量中；

? lclm＝变量——把模型结构部分预测值的置信下限写入到输出数据集的指定变量中；

? uclm＝变量——把模型结构部分预测值的置信上限写入到输出数据集的指定变量中；

? p＝变量——把预测值写入到输出数据集的指定变量中；

? rm＝变量——把来自模型结构部分预测的残差写入到输出数据集的指定变量中；

? transform＝变量——把被变换的变量写入到输出数据集的指定变量中。

三. 例子

对模拟方法生成的时间趋势加二阶自回归误差模型的时间序列数据，用PROC AUTOREG过程进行分析和建模，以便于比较和判断各种求解模型和运算结果的好坏。 模型：

（一）按照模拟模型生成数据集 代码：

data randar; e1=0; e11=0;

do t=-10 to 36;

e=1.3*e1-0.5*e11+2*rannor(12346); x=10+0.5*t+e; e11=e1; e1=e;

if t>0 then output; end; run;

proc print data=randar; run;

运行结果：

Obs e1 e11 t e x 1 -2.73816 -4.99186 1 -2.73816 7.7618 2 0.03674 -2.73816 2 0.03674 11.0367 3 0.66356 0.03674 3 0.66356 12.1636 4 -0.86233 0.66356 4 -0.86233 11.1377 5 -4.30165 -0.86233 5 -4.30165 8.1984 6 -3.88957 -4.30165 6 -3.88957 9.1104 7 -3.56635 -3.88957 7 -3.56635 9.9337 8 -3.68908 -3.56635 8 -3.68908 10.3109 9 -2.50263 -3.68908 9 -2.50263 11.9974 10 -1.80957 -2.50263 10 -1.80957 13.1904 11 -0.14763 -1.80957 11 -0.14763 15.3524 12 1.78537 -0.14763 12 1.78537 17.7854 13 4.09011 1.78537 13 4.09011 20.5901 14 3.54577 4.09011 14 3.54577 20.5458 15 -0.92995 3.54577 15 -0.92995 16.5701 16 -3.39550 -0.92995 16 -3.39550 14.6045 17 -4.57207 -3.39550 17 -4.57207 13.9279 18 -4.02602 -4.57207 18 -4.02602 14.9740 19 -3.75333 -4.02602 19 -3.75333 15.7467 20 -1.73776 -3.75333 20 -1.73776 18.2622 21 -1.42859 -1.73776 21 -1.42859 19.0714 22 -0.98120 -1.42859 22 -0.98120 20.0188 23 -1.48741 -0.98120 23 -1.48741 20.0126 24 -4.41515 -1.48741 24 -4.41515 17.5848 25 -4.14229 -4.41515 25 -4.14229 18.3577 26 -5.57633 -4.14229 26 -5.57633 17.4237 27 -5.55633 -5.57633 27 -5.55633 17.9437 28 -4.17604 -5.55633 28 -4.17604 19.8240 Obs e1 e11 t e x 29 -2.45303 -4.17604 29 -2.45303 22.0470 30 -0.32189 -2.45303 30 -0.32189 24.6781 31 -0.24246 -0.32189 31 -0.24246 25.2575 32 1.61987 -0.24246 32 1.61987 27.6199 33 2.26259 1.61987 33 2.26259 28.7626 34 0.48540 2.26259 34 0.48540 27.4854 35 -1.11570 0.48540 35 -1.11570 26.3843 36 -2.95901 -1.11570 36 -2.95901 25.0410 变量e对应εt, e1对应εt-1, e2对应εt-2.

表达式2*rannor(12346)，将生成独立同分布均值为0，标准差为2的正态分布随机数，对应于公式中均值为0，方差为22的白噪声误差序列。

DO循环从t=－10开始而不是直接从t=1开始的原因，是让模拟生成的二阶自回归误差序列 有一段时间（t=－10到0）进行初始化，以便到达稳定的随机序列值。

（二）普通最小二乘法回归模型 代码：

proc autoreg data=randar PLOTS(ONLY) = FITPLOT; model x=t; run; 运行结果及说明：

AUTOREG 过程 因变量 x

普通最小二乘法估计 SSE 214.953429 DFE 34