SAS時序分析程序說明ARIMA過程單變量場合：ARIMA模型的識別，擬合，預測多變量場合：ARIMAX模型的識別，擬合，預測干預模型的識別，擬合，預測轉移函數模型的識別，擬合，預測ARIMA過程三階段建模PROCARIMAoptions;IDENTIFY

VAR=variableoptions;/識別/ESTIMATEoptions;/估計/FORECASToptions;

/預測/PROCARIMA語句開始進入ARIMA分析程序的起始命令可選擇命令：Data=文件名/指定分析數據所在文件名/Out=文件名/指定輸出預測值的SAS數據集/例句：PROCARIMA;默認對最近一次使用的數據集進行ARIMA分析PROCARIMAdata=a;對臨時庫數據集a進行ARIMA分析PROCARIMAdata=sasuser.aout=b;對永久庫數據集sasuer.a進行ARIMA分析,預測結果存入臨時數據庫bIDENTIFY語句單變量序列樣本自相關，逆自相關和偏自相關屬性，平穩性識別，白噪聲識別，單位根檢驗結果輸出多變量序列響應變量和解釋變量的選擇及互相關屬性輸出命令格式IDENTIFYVAR=相應變量名

可選擇命令；例句Identifyvar=x;對x變量進行識別，輸出均值，標準差等描述性統計量輸出自相關，逆自相關和偏自相關系數及圖（平穩性檢驗和參數定階基礎）輸出白噪聲檢驗結果Identifyvar=x(d);對X的d步差分變量進行識別，輸出上面三種結果Identifyvar=x(1);對X的一階差分變量進行識別Identifyvar=x(1，1);對X的二階差分變量進行識別Identifyvar=x(1，4);對X的一階和4步差分后變量進行識別（通常用于有趨勢和有周期的序列識別）IDENTIFY可選命令Nlag=k；指明計算自相關系數和互相關系數過程中需要考慮的延遲階數。如果不特別指定nlag的階數，計算機默認的輸出階數是min(24,n/4)Minicp=(p1:p2)q=(q1:q2)；在自相關階數跑遍p1-p2，移動平均階數跑遍q1-q2的范圍內，尋找AIC最小的模型階數（一種傻瓜型定階方法）Stationarity=（）；單位根檢驗（df,adf或pp檢驗，其中df檢驗等于adf(1)檢驗）Crosscorr=(一個或多個輸入變量名)指定輸入變量（可以是原序列也可以是差分序列），單個輸入變量可以不加括號，多個輸入變量要加括號Outcov=文件名將自協方差，自相關系數，偏自相關系數和逆自相關系數寫入該文件集中例句Identifyvar=cpi(1)nlag=18stationarity=(adf=3);對cpi的一階差分序列進行識別，輸出延遲18階的基本統計，自相關信息和白噪聲檢驗信息對cpi的一階差分序列進行滯后階數分別等于0,1,2,3的adf檢驗Identifyvar=cpi(1)nlag=18stationarity=(pp=2);對cpi的一階差分序列進行滯后階數分別等于0,1,2的pp檢驗其他同上例句Identifyvar=cpi(1)minicp=(0:5)q=(0:5);對cpi一階差分序列進行識別，輸出基本統計，自相關信息和白噪聲檢驗信息對cpi一階差分序列尋找最優擬合階數（p>=5,q<=5)例句Identifyvar=cpi(1)crosscorr=gdp;對cpi的一階差分序列進行識別以gdp作為輸入變量，cpi的一階差分序列作為響應變量，對這兩個變量之間的互相關關系進行識別Identifyvar=cpi(1)crosscorr=gdp(1);對cpi的一階差分序列進行識別（輸出滯后12階的相關信息）以gdp的一階差分序列作為輸入變量，cpi的一階差分序列作為響應變量，對這兩個變量之間的互相關關系進行識別Identifyvar=cpi(1)crosscorr=（gdp(1)interest）;對cpi的一階差分序列進行識別（輸出滯后12階的相關信息）以gdp的一階差分序列和interest作為輸入變量，cpi的一階差分序列作為響應變量，對解釋變量和響應變量之間的互相關關系進行識別Identifyvar=cpi(1)nlag=12crosscorr=（gdp(1)interest）outcov=out;其他同上輸出延遲階數為12的自相關和偏自相關系數信息相關系數的信息存入數據集outESTIMATE命令給出指定模型的所有參數的估計值參數的顯著性檢驗情況殘差的白噪聲檢驗情況

命令格式Estimatep=自相關階數q=移動平均階數;p或q如果為零，可以忽略不寫例句Identifyvar=x;Estimatep=1q=1;擬合ARMA(1,1)模型Identifyvar=x(1);Estimatep=(13);擬合項疏系數模型Identifyvar=x(1);Estimatep=1q=1;擬合ARIMA(1,1,1)模型Identifyvar=x(14);Estimatep=(1)(4)q=(1)(4)noint;擬合無常數項乘積模型ARIMA(1,1,1)×ARIMA4(1,1,1)模型帶輸入變量的估計命令Input(d$(q)/(p)輸入變量名)對輸入變量序列的ARIMA(p,d,q)變化量作為解釋變量，與相應變量進行回歸分析例句Identifyvar=cpi(1)crosscorr=gdp(1);Estimateinput=(1$gdp);對cpi的一階差分序列和gdp的一階差分序列建立回歸模型例句Identifyvar=cpi(1)crosscorr=gdp(1);Estimateinput=(1$(1)/(1)gdp);對cpi的一階差分序列和gdp的一階差分序列建立如下回歸模型Identifyvar=cpi(1)crosscorr=gdp(1);Estimatep=2input=(1$(1)/(1)gdp);對cpi的一階差分序列和gdp的一階差分序列建立如上回歸模型，同時對殘差序列擬合AR(2)模型問題要擬合如下模型如何寫命令：FORECAST命令給出估計值及置信區間給出指定期數的預測值及置信區間選擇是否輸出預測結果命令格式FORECASTlead=預測期數id=時間標示interval=單位時間間隔alpha=aout=輸出結果數據集；如果procarima中指定了輸出文件集，這里又一次指定了輸出文件集名，這個名稱覆蓋前一個名稱。例句FORECASTlead=5

id=timeinterval=monthalpha=0.01out=result；將相應變量的估計值及5期預測值及它們的99%置信區間存入result這個數據集中，該數據以time為時間變量，該變量為月度數據例句練習procarimadata=seriesj;

identifyvar=xnlag=10;

estimatep=3;

identifyvar=ycrosscorr=(x)nlag=10;

estimateinput=(3$(1,2)/(1,2)x)plot;

estimatep=2input=(3$(1,2)/(1)x);

run;

AUTOREG過程回歸分析進行帶自相關誤差的回歸分析條件異方差建模RUTOREG命令Procautoregdata=文件名；Model應變量=自變量/nlag=mlagdep=延遲因變量garch=(p=q=type=)nointmethod=估計方法Dw=dwprobtationarity=(phillips);Outputout=輸出文件名p=預測值pm=預測均值rm=殘差值lcl=置信下限ucl=置信上限；Type的類型TYPE=

-EXPspecifiestheexponentialGARCHorEGARCHmodel.

-INTspecifiestheintegratedGARCHorIGARCHmodel.

MEAN=value

specifiesthefunctionalformoftheGARCH-Mmodel.ThevaluesoftheMEAN=optionare

LINEARspecifiesthelinearfunction.

LOGspecifiesthelogfunction.

SQRTspecifiesthesquarerootfunction.

Method的類型METHOD=ML

specifiesmaximumlikelihoodestimatesMETHOD=ULS

specifiesunconditionalleast-squaresestimatesMETHOD=YW

specifiesYule-WalkerestimatesMETHOD=ITYW

specifiesiterativeYule-Walkerestimates

例句Procautoregdata=a;Modely=t/nlag=5method=mlbackstep;Run;構建如下模型，使用極大使然估計方法，自回歸的階數最大為5，最合適的階數由逐步回歸確定例句Procautoregdata=a;Modely=t/nlag=2method=ml;Run;構建如下模型，使用極大使然估計方法例句Procautoregdata=a;Modely=/nlag=2method=ml;Run;構建如下模型，使用極大使然估計方法例句Dataa;Seta;Lagy=lag(y);Procautoregdata=a;Modey=lagy/lagdep=lagy;構建如下回歸模型，因為自變量是因變量的一階延遲，所以殘差自相關檢驗是donbin-h檢驗例句Procautoregdata=a;Modely=x/nlag=2garch=(p=1q=1noint)method=ml;Run;構建如下模型，使用極大使然估計方法練習procautoregdata=ibmmaxit=50;

modelr=/nointgarch=(q=2);

outputout=acev=v;

run;

練習用AUTOREG程序，采用E-G兩步法編寫協整與誤差修正程序VARMAX過程Granger檢驗協整分析誤差修正模型向量自回歸（含脈沖響應和方差分解）命令格式Procvarmaxdata=文件名;Model相應變量=解釋變量/p=自回歸階數cointtest=(johansen=)ecm=(rank=normalize=)print=（impulsedecompose()printform=）;CAUSALgroup1=(variables)group2=(variables);Outputout=文件名lead=預測期；協整檢驗PROCVARMAXDATA=文件名；MODELVAR1-VARp/COINTTEST=(JOHANSEN=);JOHANSEN=TRACE/跡檢驗/JOHANSEN=MAX/最大特征根檢驗/Granger因果檢驗CAUSALgroup1=(variable