的影响。假设1992年三月有报道说某产品可预防心脏病,那么在此后sales持续的较高。下列程序对这种干预效果进行建模。Р data a; Р set a; Р news = date >= '1jul1996'd; Р run; Р Р proc arima data=a; Р identify var=sales crosscorr=news; Р estimate p=1 q=1 input=news; Р run;Р相互作用Р可以在模型中包含多个干预变量。干预变量可以是脉冲式的也可以是连续干预等任何形式。也可以是离散值的干预变量和连续回归变量混合在同一模型中。只要依赖变量形成一个规则的时间序列,你就可以通过利用输入变量用PROC ARIMA对于误差过程拟合任何一个ARMA模型相连的一般线性模型。此时输入变脸对应于线性模型中的设计矩阵。Р有理转移函数和分布时滞模型Р输入序列进入模型的途径也叫转移函数。因此带输入序列的ARIAM模型也叫转移函数模型。Р在前面的回归模型和干预模型中,转移函数是个单刻度参数。然而,也可以写成转移算子的有理函数的复杂转移函数。这些转移函数如同作用于ARMA或误差项一样作用于输入序列。Р分子因子Р proc arima data=a; Р identify var=sales crosscorr=price; Р estimate input=( (1 2 3) price ); Р run;Р这些语句估计下列模型:Р该模型把PRICE对SALES 的影响拟合为PRICE的当前和三个之前的值的线性函数,也等价于SALES关于和PRICE, LAG(PRICE), LAG2(PRICE),和LAG3(PRICE)的多元线性回归。Р 这是一个带分子因子的转移函数的例子。对于输入序列的转移函数的分子因子类似于噪声序列所满足ARMA的MA部分。Р分母因子
全文预览
