Proc arima moving average

Visão Geral do Procedimento ARIMA: Procedimento ARIMA O procedimento ARIMA analisa e pronostica dados de série temporal univariados, dados de função de transferência e dados de intervenção, igualmente espaçados, usando o modelo de média móvel (ARIMA) autoregressivo integrado (ARMA) ou autoregressivo (ARMA). Um modelo ARIMA prediz um valor em uma série de tempo de resposta como uma combinação linear de seus próprios valores passados, erros passados ​​(também chamados de choques ou inovações) e valores atuais e passados ​​de outras séries temporais. A abordagem ARIMA foi popularizada por Box e Jenkins pela primeira vez, e os modelos ARIMA são frequentemente referidos como modelos Box-Jenkins. O modelo de função de transferência geral empregado pelo procedimento ARIMA foi discutido por Box e Tiao (1975). Quando um modelo ARIMA inclui outras séries temporais como variáveis ​​de entrada, o modelo às vezes é chamado de modelo ARIMAX. Pankratz (1991) refere-se ao modelo ARIMAX como regressão dinâmica. O procedimento ARIMA fornece um conjunto abrangente de ferramentas para a identificação de modelos de séries temporais univariadas, estimativa de parâmetros e previsão, e oferece grande flexibilidade nos tipos de modelos ARIMA ou ARIMAX que podem ser analisados. O procedimento ARIMA suporta as intervenções dos modelos ARIMA sazonais, subconjuntos e fatoriais ou modelos de séries temporais interrompidas, análise de regressão múltipla com erros ARMA e modelos de função de transferência racional de qualquer complexidade. O design do PROC ARIMA acompanha de perto a estratégia Box-Jenkins para modelagem de séries temporais com características para verificação de identificação, estimativa e diagnóstico e etapas de previsão do método Box-Jenkins. Antes de usar o PROC ARIMA, você deve estar familiarizado com os métodos Box-Jenkins e você deve ter cuidado e julgamento quando você usa o procedimento ARIMA. A série ARIMA de modelos de séries temporais é complexa e poderosa e é necessário algum grau de especialização para usá-los corretamente. Copyright SAS Institute Inc. Todos os direitos reservados. Introdução ao SAS: Proc Arima A análise dos dados da série temporal no domínio do tempo é feita com este procedimento. A metodologia Box-Jenkins (o ajuste de modelos ARIMA para dados de séries temporais) e também os modelos de função de transferência (tipo de entrada) podem ser utilizados. A análise do domínio de freqüência das séries temporais pode ser feita usando o Proc Spectra. A estrutura para a análise é que as séries temporais observadas X (t) são estacionárias e satisfazem uma equação ARMA da forma em que Z (t) é um processo de ruído branco. As constantes phi (1). Phi (p) são chamados de coeficientes autorregressivos e o número p é chamado de ordem do componente autorregressivo. As constantes theta (1). Theta (q) são chamados de coeficientes médios móveis e o número q é chamado de ordem do componente da média móvel. É possível que p ou q seja zero. O uso de proc arima para caber modelos ARMA consiste em 3 etapas. O primeiro passo é a identificação do modelo, em que a série observada é transformada para ser estacionária. A única transformação disponível no proc arima é a diferenciação. O segundo passo é a estimativa do modelo, na qual as ordens p e q são selecionadas e os parâmetros correspondentes são estimados. A terceira etapa é a previsão, na qual o modelo estimado é usado para prever valores futuros das séries temporais observáveis. Como exemplo, o arquivo de dados milk. dat contendo dados sobre a produção de leite retirada da Cryer será analisado. Aqui estão os comandos que podem ser usados ​​para cada uma das 3 etapas. OPÇÕES PARA IDENTIFICAR A DECLARAÇÃO: A instrução var é necessária e especifica a (s) variável (s) no conjunto de dados a serem analisados. Os números opcionais entre parênteses especificam o LAG no qual as diferenças devem ser computadas. Uma declaração varmilk analisaria a série de leite sem qualquer variante varmilk (1) analisaria a primeira diferença de leite varmilk (1,1) a segunda diferença de leite. A instrução var produz 3 lotes para a variável especificada: a função de autocorrelação da amostra, a função de autocorrelação inversa da amostra e a função de autocorrelação parcial da amostra. Esses gráficos grosseiros e tabelas de seus valores são impressos na janela de saída. Parcelas de maior qualidade podem ser produzidas através do uso de outras opções (detalhadas abaixo) e proc gplot. A opção nlag faz com que os 3 gráficos impriman valores até a lag 30. Se não for especificado, o padrão é nlag24 ou 25 do número de observações, o que for menor. A opção central subtrai a média da série especificada pela instrução var. A média é adicionada de volta automaticamente durante a etapa de previsão. A opção outcov coloca os valores das funções de correlação de amostra em um conjunto de dados SAS. Esses valores podem ser usados ​​para produzir gráficos de alta qualidade dessas funções usando o proc gplot. As variáveis ​​de saída são: LAG. VAR (nome da variável especificada na opção var), CROSSVAR (nome da variável especificada na opção crosscorr), N (número de observações utilizadas para calcular o valor atual da covariância ou crosscovariance), COV (valor da cruz Covariâncias), CORR (valor da função de autocorrelação da amostra), STDERR (erro padrão das autocorrelações), INVCORR (valores da função de autocorrelação inversa da amostra) e PARTCORR (valores da função de autocorrelação parcial da amostra). A opção noprint suprime a saída dos gráficos de baixa qualidade normalmente criados pela instrução var. Esta opção é usada principalmente com a opção outcov. OPÇÕES PARA A DECLARAÇÃO ESTIMATIVA: as opções p1 q3 especificam as ordens médias auto-regressivas e em movimento para serem ajustadas. Outras formas dessas especificações são: q (3) para especificar que SOMENTE o parâmetro theta (3) pode ser diferente de zero p (12) (3) para um modelo sazonal (1-phi (12) B12) (1 - phi (3) B3) onde B é o operador de retrocesso p (3,12) para um modelo no qual apenas phi (3) e phi (12) podem ser não-zero. A opção nodf usa o tamanho da amostra em vez dos graus de liberdade como o divisor ao estimar a variância do ruído branco. A opção do método seleciona o método de estimativa para os parâmetros. As escolhas são ml para estimativa de probabilidade máxima (gaussiana), uls para mínimos quadrados incondicionais e cls para mínimos quadrados condicionais. A opção de trama produz os mesmos 3 lotes que na declaração de identificação para os RESÍDUOS após a estimativa dos parâmetros do modelo. Esta é outra verificação útil da brancura dos resíduos. OPÇÕES PARA A DECLARAÇÃO DE PREVISÃO: A opção principal especifica o número de intervalos de tempo no futuro para o qual as previsões devem ser feitas. Ao usar as opções out e printall na declaração de previsão, será criado um conjunto de dados SAS que conterá os valores da série original e os valores previstos da série usando o modelo em todos os momentos. Isso pode ser útil para uma análise do desempenho passado do modelo. Na prática, várias declarações de estimativas diferentes são testadas sequencialmente para ver qual modelo se adapta melhor aos dados. O Proc arima é interativo, no sentido dessas tentativas seqüenciais podem ser feitas sem reiniciar o procedimento. Basta enviar as declarações de estimativas sucessivas, a declaração de identificação original será mantida. Os modelos de função de transferência podem ser ajustados usando a opção crosscorr da declaração de identificação e a opção de entrada da declaração de estimativa. A mecânica deste procedimento é ilustrada para um falso de conjunto de dados que contém duas séries de tempo que são relacionadas por um modelo de função de transferência. Neste caso, Y depende de X. Primeiro, o processo X é modelado usando as declarações de identificação e estimativa. Então Y é identificado e a correlação cruzada entre os processos pré-cobrimentos X e Y é estimada. O programa pode ser assim. A partir da informação de correlação cruzada, os atrasos em que o processo de entrada X influenciam Y podem ser tentativamente identificados. Note-se que apenas modelos causais são permitidos que correlações cruzadas não-zero em atrasos negativos não podem ser modeladas em proc arima. Para ilustração, digamos que os atrasos não-zero são 2 e 4. O processo Y pode ser estimado da seguinte forma. A entrada é da forma cB2 dB4 B2 (c dB2). É esta última forma que dá a forma da declaração de entrada. Observe que a declaração de estimativa sempre se refere à declaração de identificação mais recente para decidir quais as variáveis ​​a serem incluídas no modelo. Assim, a diferenciação e a centralização são tratadas automaticamente (se usado) EXCEPTO que a diferenciação deve ser explicitamente especificada na declaração crosscorr. Para mais detalhes, veja a ajuda on-line sob SAS SYSTEM HELP - MODELING amp ANALYSIS TOOLS - ECONOMETRICS amp TIME SERIES - ARIMA ou o Guia SASETS. Copie Copyright 2017 Jerry Alan Veeh. Todos os direitos reservados. Procedimento ARIMA O procedimento ARIMA fornece a identificação, estimação de parâmetros e previsão de modelos de média móvel integrada autorregrada (Box-Jenkins), modelos ARIMA sazonais, modelos de função de transferência e modelos de intervenção. O procedimento ARIMA oferece modelos completos ARIMA (Box-Jenkins) sem limites na ordem dos processos de média autorregressiva ou móvel. A estimativa pode ser feita com a máxima probabilidade máxima, mínimos quadrados condicionais ou mínimos quadrados incondicionais. Além disso, você pode modelar modelos de intervenção, modelos de regressão com erros ARMA, transferir modelos de funções com funções de transferência racional totalmente gerais e modelos ARIMA sazonais. O diagnóstico de identificação do modelo do PROC ARIMA39 inclui gráficos de autocorrelação, autocorrelação parcial, autocorrelação inversa e funções de correlação cruzada. O PROC ARIMA também permite a identificação de ordem média vertical autorregressiva (ARMA) tentativa com base na menor correlação canônica, função de autocorrelação de amostra estendida ou análise de critério de informação. A interpolação baseada em modelo ARIMA de valores em falta é permitida. A previsão está vinculada aos métodos de estimação de parâmetros. As previsões de memória finita são usadas para modelos estimados pela máxima verossimilhança ou mínimos quadrados não lineares exatos, enquanto as previsões de memória infinitas são usadas para modelos estimados por mínimos quadrados condicionais. O procedimento ARIMA oferece uma variedade de estatísticas de diagnóstico modelo, incluindo o critério Bayesian de Schwarz39 (Schwiz) de avaliação de Akaike (AIC), estatísticas de teste do qui-quadrado de Ljung-Box para testes de estacionaridade de resíduos brancos, incluindo Dickey-Fuller aumentado (incluindo a unidade sazonal Teste de raiz), Phillips-Perron e caminhada aleatória com testes de deriva. A macro DFTEST executa testes Dickey-Fuller para raízes unitárias simples ou raízes de unidades sazonais em uma série temporal. A macro DFTEST é útil para testar a estacionaridade e determinar a ordem de diferenciação necessária para a modelagem ARIMA de uma série temporal. Documentação Para mais detalhes, consulte o Guia do Usuário do SASETS reg