sas自相关图 如何设置延迟期数为24

1. sas自相关图 如何设置延迟期数为24

加上nlag就行了，像这样 identify Var=x nlag=24;  延迟期数就只到24期了

2. 如何用sas生成时间序列ar模型数据

3.3时间序列分析 3.3.1时间序列概述 1. 基本概念 (1)一般概念：系统中某一变量的观测值按时间顺序（时间间隔相同）排列成一个数值序列，展示研究对象在一定时期内的变动过程，从中寻找和分析事物的变化特征、发展趋势和规律。它是系统中某一变量受其它各种因素影响的总结果。 (2)研究实质：通过处理预测目标本身的时间序列数据，获得事物随时间过程的演变特性与规律，进而预测事物的未来发展。它不研究事物之间相互依存的因果关系。 (3)假设基础：惯性原则。即在一定条件下，被预测事物的过去变化趋势会延续到未来。暗示着历史数据存在着某些信息，利用它们可以解释与预测时间序列的现在和未来。 近大远小原理（时间越近的数据影响力越大）和无季节性、无趋势性、线性、常数方差等。

3. 关于SAS 例如因变量Y与自变量X，要绘制Y与X的散点图我知道 但要例如绘制Y与X+X的平方的散点图代码怎么写

生成一个新的SAS变量new_x用于保存X的某个表达式的值，然后再用proc gplot或者proc sgplot画散点图。绘制Y与X+X的平方的散点图的代码如下：
data origin_data;
     do x=1 to 20;
          y=2+3*x;
          output;
      end;
run;
data new_data;
      set origin_data;
      new_x=x+x**2;
run;
proc gplot data=new_data(keep=y new_x); 
     plot y*new_x;
run;
quit;

4. 怎么用SAS软件绘制茎叶图?

下面的例子是用proc univariate语句画茎叶图，希望对你有帮助
data test;
   input Score @@;
datalines;
87 73 65 46 76 69 92 84 67 61 77 76 58 88 71 78 92 
46 70 64 59 85 74 69 41 97 53 76 50 50 43 78 90 47 
61 67 75 81 89 74 80 87 84 64 81 75 83 70 60 70 
;

 
/*作茎叶图*/
ods select plots;
proc univariate data=test plots;
   var score;
run;

5. 怎样用eviews建立ar模型残差相关图

你说的是var模型还是什么

6. sas如何画箱线图

箱线图即boxplot，用SAS做有如下方法：方法一（低质量图）：利用univariate过程的plot选项proc univariate data=origin_data plot; var x;run;方法二（高质量图）：利用boxplot过程data temp_data; set origin_data; flag=1;run;proc boxplot data=temp_data; plot x*flag;run;方法三（高质量图）：利用sgplot过程（9.2及以上版本支持）proc sgplot data=origin_data; vbox x;run;

7. 自相关性如何解决？

　　基本方法是通过差分变换,对原始数据进行变换的方法,使自相关消除.
一,差分法，一阶。
设Y对x的回归模型为

Yt=β1+β1xt+μt(1)

μt=ρμt-1+vt

式中, vt满足最小平方法关于误差项的全部假设条件。

将式(1)滞后一个时期,则有

Yt-1=β0+β1xt-1+μt-1(2)μt-1=ρμt-2+vt-1

于是, (1)-ρ×(2),得Yt-ρYt-1=β0(1-ρ)+β1(xt-ρxt-1)+νt(3)

Yt-ρYt-1=β1(xt-xt-1)+μt-μt-1=β1(xt-xt-1)+vt(4)
ρ为自相关系数
也就是说,一阶差分法是广义差分法的特殊形式。

高阶自相关是用BG检验法，LM=T*R^2服从X^2(p)（kafang）分布，T为样本容量，p为你想检验的自相关阶数，查kafang分布表，置信度为95%也就是阿尔法=0.5，如果T*R^2>查出来的结果即存在你想验证的自相关阶数。
修正用广义差分法（AR(p))
广义差分方法 
对模型: Yt= 0+ 1X t+ut ------(1) ,如果ut具有一阶自回归形式的自相关,既 ut= u t-1 +vt 式中 vt满足通常假定.
假定, 已知,则: Y t-1= 0+ 1X t-1+u t-1 两端同乘 得:
Y t-1= 0 + 1 X t-1+ u t-1-------(2) 

(1)式减去(2)式得: 
Yt- Y t-1= 0 (1- )+ 1X (Xt- X t-1)+vt 
令:Yt*= Yt- Y t-1 ,Xt*= (Xt- X t-1), 0 *= 0(1- )
则: Yt*= 0 * + 1 Xt*+vt 称为广义差分模型,随机项满足通常假定,对上式可以用OLS估计,求出 .
为了不损失样本点,令Y1*= X1*= 
以上解决自相关的变换称为广义差分变换, =1,或 =0 , =-1是特殊情况.
广义差分变换要求 已知,如果 未知,则需要对 加以估计,下面的方法都是按照先求出 的估计值,然后在进行差分变换的思路展开的。 
如果差分修正还是效果不好，那就是你回归变量的问题了，有一些统计数据本身就是有很强的自相关，比如GDP等，这是无法避免的，有些数据要先 去势，协整以后才可以做回归的

8. arma模型，ar模型，ma模型有什么本质上的区别

ar模型是建立当前值和历史值之间的联系，ma模型是计算ar部分的误差的累计，arma是两者的和。