Sas Média Móvel Regressão

Processos de erro de média móvel auto-regressivos (erros ARMA) e outros modelos que envolvem atrasos de termos de erro podem ser estimados usando declarações FIT e simulados ou previstos usando declarações SOLVE. Os modelos ARMA para o processo de erro são freqüentemente usados ​​para modelos com resíduos autocorrelacionados. A macro AR pode ser usada para especificar modelos com processos de erro autorregressivos. A macro MA pode ser usada para especificar modelos com processos de erro de média móvel. Erros Autoregressivos Um modelo com erros autoregressivos de primeira ordem, AR (1), tem a forma enquanto um processo de erro AR (2) tem a forma e assim por diante para processos de ordem superior. Observe que os s são independentes e identicamente distribuídos e têm um valor esperado de 0. Um exemplo de um modelo com um componente AR (2) é e assim por diante para processos de ordem superior. Por exemplo, você pode escrever um modelo de regressão linear simples com MA (2) erros de média móvel, onde MA1 e MA2 são os parâmetros de média móvel. Observe que RESID. Y é automaticamente definido por PROC MODEL como A função ZLAG deve ser usada para modelos MA para truncar a recursividade dos atrasos. Isso garante que os erros defasados ​​começam em zero na fase de latência e não propagam valores faltantes quando as variáveis ​​de período de atraso são perdidos e garantem que os erros futuros sejam zero em vez de faltar durante a simulação ou previsão. Para obter detalhes sobre as funções de atraso, consulte a seção Lag Logic. Este modelo escrito usando a macro MA é o seguinte: Formulário Geral para Modelos ARMA O processo ARMA (p, q) geral tem a seguinte forma Um modelo ARMA (p, q) pode ser especificado da seguinte forma: onde AR i e MA j representam Os parâmetros auto-regressivos e de média móvel para os vários desfasamentos. Você pode usar qualquer nome que você deseja para essas variáveis, e há muitas maneiras equivalentes que a especificação poderia ser escrita. Os processos Vector ARMA também podem ser estimados com PROC MODEL. Por exemplo, um processo AR (1) de duas variáveis ​​para os erros das duas variáveis ​​endógenas Y1 e Y2 pode ser especificado da seguinte forma: Problemas de Convergência com Modelos ARMA Os modelos ARMA podem ser difíceis de estimar. Se as estimativas dos parâmetros não estiverem dentro da faixa apropriada, os termos residuais dos modelos de média móvel crescem exponencialmente. Os resíduos calculados para observações posteriores podem ser muito grandes ou podem transbordar. Isso pode acontecer porque os valores iniciais inadequados foram usados ​​ou porque as iterações se afastaram de valores razoáveis. Cuidado deve ser usado na escolha de valores iniciais para ARMA parâmetros. Os valores iniciais de 0,001 para os parâmetros ARMA geralmente funcionam se o modelo se encaixa bem nos dados eo problema está bem condicionado. Note-se que um modelo MA pode muitas vezes ser aproximado por um modelo AR de alta ordem, e vice-versa. Isso pode resultar em alta colinearidade em modelos ARMA mistos, o que por sua vez pode causar grave mal-condicionamento nos cálculos e instabilidade das estimativas de parâmetros. Se você tiver problemas de convergência ao estimar um modelo com processos de erro ARMA, tente estimar em etapas. Primeiro, use uma instrução FIT para estimar apenas os parâmetros estruturais com os parâmetros ARMA mantidos a zero (ou a estimativas anteriores razoáveis ​​se disponíveis). Em seguida, use outra instrução FIT para estimar somente os parâmetros ARMA, usando os valores dos parâmetros estruturais da primeira execução. Uma vez que os valores dos parâmetros estruturais são susceptíveis de estar perto de suas estimativas finais, as estimativas ARMA parâmetro agora pode convergir. Finalmente, use outra instrução FIT para produzir estimativas simultâneas de todos os parâmetros. Uma vez que os valores iniciais dos parâmetros são agora provavelmente muito próximos de suas estimativas conjuntas finais, as estimativas devem convergir rapidamente se o modelo for apropriado para os dados. AR Condições iniciais Os retornos iniciais dos termos de erro dos modelos AR (p) podem ser modelados de diferentes maneiras. Os métodos de inicialização de erros autorregressivos suportados pelos procedimentos do SASETS são os seguintes: PROCEDIMENTOS MÍNIMOS CONDUTAIS (Procedimentos ARIMA e MODELO) Procedimentos de mínimos quadrados incondicionais (procedimentos AUTOREG, ARIMA e MODELO) Yule-Walker (AUTOREG, ARIMA e MODELO) Procedimento somente) Hildreth-Lu, que exclui as primeiras p observações (procedimento MODEL somente) Consulte o Capítulo 8, O Procedimento AUTOREG, para uma explicação e discussão dos méritos de vários métodos de inicialização AR (p). As inicializações CLS, ULS, ML e HL podem ser realizadas pelo PROC MODEL. Para erros de AR (1), estas inicializações podem ser produzidas como mostrado na Tabela 18.2. Estes métodos são equivalentes em amostras grandes. Tabela 18.2 Inicializações Executadas por PROC MODEL: AR (1) ERROS Os retornos iniciais dos termos de erro dos modelos MA (q) também podem ser modelados de diferentes maneiras. Os seguintes paradigmas de inicialização de erros de média móvel são suportados pelos procedimentos ARIMA e MODELO: mínimos quadrados condicionais mínimos incondicionais O método de mínimos quadrados condicionais para estimar os termos de erro de média móvel não é o ideal porque ignora o problema de inicialização. Isso reduz a eficiência das estimativas, embora permaneçam imparciais. Os resíduos atrasados ​​iniciais, que se estendem antes do início dos dados, são assumidos como 0, o seu valor esperado incondicional. Isso introduz uma diferença entre esses resíduos e os resíduos de mínimos quadrados generalizados para a covariância da média móvel, que, ao contrário do modelo autorregressivo, persiste através do conjunto de dados. Normalmente, esta diferença converge rapidamente para 0, mas para processos de média móvel quase não-reversíveis a convergência é bastante lenta. Para minimizar este problema, você deve ter abundância de dados, e as estimativas de parâmetros de média móvel devem estar bem dentro do intervalo de inversibilidade. Este problema pode ser corrigido à custa de escrever um programa mais complexo. As estimativas de mínimos quadrados incondicionais para o processo MA (1) podem ser produzidas especificando o modelo da seguinte maneira: Erros de média móvel podem ser difíceis de estimar. Você deve considerar usar uma aproximação AR (p) para o processo de média móvel. Um processo de média móvel geralmente pode ser bem aproximado por um processo autorregressivo se os dados não tiverem sido suavizados ou diferenciados. A Macro AR A macro AR do SAS gera instruções de programação para MODELO PROC para modelos autorregressivos. A macro AR é parte do software SASETS e nenhuma opção especial precisa ser definida para usar a macro. O processo autorregressivo pode ser aplicado aos erros de equações estruturais ou às próprias séries endógenas. A macro AR pode ser usada para os seguintes tipos de auto-regressão: auto-regressão vetorial irrestrita autoregressão vetorial restrita Autoregressão Univariada Para modelar o termo de erro de uma equação como um processo autorregressivo, use a seguinte instrução após a equação: Por exemplo, suponha que Y seja a Linear de X1, X2 e um erro de AR (2). Você escreveria este modelo da seguinte maneira: As chamadas para AR devem vir depois de todas as equações às quais o processo se aplica. A invocação de macro anterior, AR (y, 2), produz as instruções mostradas na saída LIST na Figura 18.58. Figura 18.58 Saída de Opção LIST para um Modelo AR (2) As variáveis ​​prefixadas PRED são variáveis ​​de programa temporárias usadas para que os atrasos dos resíduos sejam os resíduos corretos e não os redefinidos por esta equação. Observe que isso é equivalente às instruções explicitamente escritas na seção Formulário Geral para Modelos ARMA. Você também pode restringir os parâmetros autorregressivos a zero em intervalos selecionados. Por exemplo, se você quisesse parâmetros autorregressivos nos retornos 1, 12 e 13, você pode usar as seguintes instruções: Estas instruções geram a saída mostrada na Figura 18.59. Figura 18.59 Saída de Opção LIST para um Modelo AR com Lags em 1, 12 e 13 O MODELO Procedimento Listagem do Código de Programa Compilado como Parsed PRED. yab x1 c x2 RESID. y PRED. y - ACTUAL. y ERROR. y PRED. Y - y OLDPRED. y PRED. y yl1 ZLAG1 (y - perdy) il12 ZLAG12 (y - perdy) il13 ZLAG13 (y - perdy) RESID. y PRED. y - ACTUAL. y PR ER. OR - Variações no método dos mínimos quadrados condicionais, dependendo se as observações no início da série são usadas para aquecer o processo AR. Por padrão, o método de mínimos quadrados condicionais AR usa todas as observações e assume zeros para os retornos iniciais de termos autorregressivos. Usando a opção M, você pode solicitar que AR use o método de mínimos quadrados incondicionais (ULS) ou de máxima verossimilhança (ML). Por exemplo, as discussões sobre esses métodos são fornecidas na seção AR Condições iniciais. Usando a opção MCLS n, você pode solicitar que as primeiras n observações sejam usadas para calcular estimativas dos atrasos autorregressivos iniciais. Neste caso, a análise começa com a observação n 1. Por exemplo: Você pode usar a macro AR para aplicar um modelo autorregressivo à variável endógena, em vez de ao termo de erro, usando a opção TYPEV. Por exemplo, se você quiser adicionar os cinco atrasos anteriores de Y à equação no exemplo anterior, você pode usar AR para gerar os parâmetros e os retornos usando as seguintes instruções: As instruções anteriores geram a saída mostrada na Figura 18.60. Figura 18.60 Saída de opção LIST para um modelo AR de Y Este modelo prediz Y como uma combinação linear de X1, X2, uma interceptação e os valores de Y nos cinco períodos mais recentes. Autoresponder vetorial irrestrito Para modelar os termos de erro de um conjunto de equações como um processo autorregressivo de vetor, use a seguinte forma da macro AR após as equações: O valor processname é qualquer nome que você fornecer para AR usar para fazer nomes para o autorregressivo Parâmetros. Você pode usar a macro AR para modelar vários processos AR diferentes para diferentes conjuntos de equações usando diferentes nomes de processo para cada conjunto. O nome do processo garante que os nomes de variáveis ​​usados ​​são exclusivos. Use um valor processname curto para o processo se as estimativas de parâmetro forem gravadas em um conjunto de dados de saída. A macro AR tenta construir nomes de parâmetro menor ou igual a oito caracteres, mas isso é limitado pelo comprimento de processname. Que é usado como um prefixo para os nomes de parâmetro AR. O valor da lista de variáveis ​​é a lista de variáveis ​​endógenas para as equações. Por exemplo, suponha que erros para as equações Y1, Y2 e Y3 sejam gerados por um processo autorregressivo de vetor de segunda ordem. Você pode usar as seguintes instruções: que geram o seguinte para Y1 e código semelhante para Y2 e Y3: Somente o método de mínimos quadrados condicional (MCLS ou MCLS n) pode ser usado para processos vetoriais. Você também pode usar o mesmo formulário com restrições que a matriz de coeficientes seja 0 em defasagens selecionadas. Por exemplo, as seguintes afirmações aplicam um processo vetorial de terceira ordem aos erros de equação com todos os coeficientes no retardo 2 restrito a 0 e com os coeficientes nos retornos 1 e 3 sem restrições: Você pode modelar as três séries Y1Y3 como um processo autorregressivo de vetor Nas variáveis ​​em vez de nos erros usando a opção TYPEV. Se você deseja modelar Y1Y3 como uma função de valores passados ​​de Y1Y3 e algumas variáveis ​​exógenas ou constantes, você pode usar AR para gerar as declarações para os termos de atraso. Escreva uma equação para cada variável para a parte não autorregressiva do modelo e, em seguida, chame AR com a opção TYPEV. Por exemplo, a parte não autorregressiva do modelo pode ser uma função de variáveis ​​exógenas, ou pode ser parâmetros de interceptação. Se não houver componentes exógenos para o modelo de autorregressão vetorial, incluindo sem interceptações, então atribua zero a cada uma das variáveis. Deve haver uma atribuição para cada uma das variáveis ​​antes de AR é chamado. Este exemplo modela o vetor Y (Y1Y2Y3) como uma função linear apenas do seu valor nos dois períodos anteriores e um vetor de erro de ruído branco. O modelo tem 18 (3 3 3 3) parâmetros. Sintaxe da Macro AR Existem dois casos da sintaxe da macro AR. Quando as restrições em um processo AR vetorial não são necessárias, a sintaxe da macro AR tem a forma geral especifica um prefixo para AR a ser usado na construção de nomes de variáveis ​​necessários para definir o processo AR. Se o endolist não é especificado, a lista endógena padrão é nome. Que deve ser o nome da equação à qual o processo de erro AR deve ser aplicado. O valor de nome não pode exceder 32 caracteres. É a ordem do processo AR. Especifica a lista de equações às quais o processo AR deve ser aplicado. Se for dado mais de um nome, é criado um processo vetorial sem restrições com os resíduos estruturais de todas as equações incluídas como regressores em cada uma das equações. Se não for especificado, o endolist predefinirá o nome. Especifica a lista de defasagens em que os termos AR devem ser adicionados. Os coeficientes dos termos em intervalos não listados são definidos como 0. Todos os atrasos listados devem ser menores ou iguais a nlag. E não deve haver duplicatas. Se não for especificado, o laglist padrão para todos os retornos 1 através de nag. Especifica o método de estimação a ser implementado. Valores válidos de M são CLS (estimativas de mínimos quadrados condicionais), ULS (estimativas de mínimos quadrados incondicionais) e ML (estimativas de máxima verossimilhança). MCLS é o padrão. Somente o MCLS é permitido quando mais de uma equação é especificada. Os métodos ULS e ML não são suportados para modelos AR de AR por AR. Especifica que o processo AR deve ser aplicado às próprias variáveis ​​endógenas em vez de aos resíduos estruturais das equações. Auto-regressão vetorial restrito Você pode controlar quais parâmetros são incluídos no processo, restringindo a 0 aqueles parâmetros que você não inclui. Primeiro, use AR com a opção DEFER para declarar a lista de variáveis ​​e definir a dimensão do processo. Em seguida, use chamadas AR adicionais para gerar termos para equações selecionadas com variáveis ​​selecionadas em intervalos selecionados. Por exemplo, as equações de erro produzidas são as seguintes: Este modelo estabelece que os erros para Y1 dependem dos erros de Y1 e Y2 (mas não Y3) nos dois intervalos 1 e 2 e que os erros para Y2 e Y3 dependem de Os erros anteriores para todas as três variáveis, mas apenas com atraso 1. AR Macro Sintaxe para AR Restrito AR Um uso alternativo de AR é permitido para impor restrições em um processo AR vetorial chamando AR várias vezes para especificar diferentes termos AR e defasagens para diferentes Equações. A primeira chamada tem a forma geral especifica um prefixo para AR para usar na construção de nomes de variáveis ​​necessárias para definir o vetor AR processo. Especifica a ordem do processo AR. Especifica a lista de equações às quais o processo AR deve ser aplicado. Especifica que AR não é para gerar o processo AR, mas é esperar por mais informações especificadas em chamadas AR posterior para o mesmo valor de nome. As chamadas subsequentes têm a forma geral é a mesma que na primeira chamada. Especifica a lista de equações às quais as especificações nesta chamada AR devem ser aplicadas. Somente os nomes especificados no valor endolist da primeira chamada para o valor de nome podem aparecer na lista de equações na lista de eqlist. Especifica a lista de equações cujos resíduos estruturais retardados devem ser incluídos como regressores nas equações em eqlist. Somente nomes no endolist da primeira chamada para o valor de nome podem aparecer em varlist. Se não for especificado, varlist padrão para endolist. Especifica a lista de defasagens em que os termos AR devem ser adicionados. Os coeficientes dos termos em intervalos não listados são definidos como 0. Todos os atrasos listados devem ser menores ou iguais ao valor de nlag. E não deve haver duplicatas. Se não for especificado, o laglist assume todos os defasagens 1 a nlag. A macro MA A macro SAS MA gera instruções de programação para MODELO PROC para modelos de média móvel. A macro MA faz parte do software SASETS e não são necessárias opções especiais para utilizar a macro. O processo de erro de média móvel pode ser aplicado aos erros da equação estrutural. A sintaxe da macro MA é o mesmo que a macro AR, exceto que não há argumento TYPE. Quando você estiver usando as macros MA e AR combinadas, a macro MA deve seguir a macro AR. As seguintes instruções SASIML produzem um processo de erro ARMA (1, (1 3)) e salvam-no no conjunto de dados MADAT2. As seguintes instruções PROC MODEL são usadas para estimar os parâmetros deste modelo usando a estrutura de erro de máxima verossimilhança: As estimativas dos parâmetros produzidos por esta execução são mostradas na Figura 18.61. Figura 18.61 Estimativas de um processo ARMA (1, (1 3)) Existem dois casos da sintaxe para a macro MA. Quando as restrições em um processo de MA vetorial não são necessárias, a sintaxe da macro MA tem a forma geral especifica um prefixo para MA usar na construção de nomes de variáveis ​​necessárias para definir o processo MA e é o endolist padrão. É a ordem do processo MA. Especifica as equações às quais o processo MA deve ser aplicado. Se for dado mais de um nome, a estimativa CLS é usada para o processo vetorial. Especifica os atrasos em que os termos MA devem ser adicionados. Todos os atrasos listados devem ser menores ou iguais a nlag. E não deve haver duplicatas. Se não for especificado, o laglist padrão para todos os retornos 1 através de nag. Especifica o método de estimação a ser implementado. Valores válidos de M são CLS (estimativas de mínimos quadrados condicionais), ULS (estimativas de mínimos quadrados incondicionais) e ML (estimativas de máxima verossimilhança). MCLS é o padrão. Somente o MCLS é permitido quando mais de uma equação é especificada no endolist. MA Sintaxe de Macro para Movimentação-Média Restrita de Vetores Um uso alternativo de MA é permitido para impor restrições em um processo de MA de vetor chamando MA várias vezes para especificar diferentes termos de MA e defasagens para equações diferentes. A primeira chamada tem a forma geral especifica um prefixo para MA para usar na construção de nomes de variáveis ​​necessárias para definir o vetor MA processo. Especifica a ordem do processo MA. Especifica a lista de equações às quais o processo MA deve ser aplicado. Especifica que MA não é para gerar o processo de MA, mas é aguardar informações adicionais especificadas em chamadas de MA mais tarde para o mesmo valor de nome. As chamadas subsequentes têm a forma geral é a mesma que na primeira chamada. Especifica a lista de equações às quais as especificações nesta chamada MA devem ser aplicadas. Especifica a lista de equações cujos resíduos estruturais retardados devem ser incluídos como regressores nas equações em eqlist. Especifica a lista de defasagens em que os termos MA devem ser adicionados. Usando SAS em Pesquisa Financeira Por Ekkehart Boehmer, John Broussard e Juha Pekka Kallunki Para mais livros SASETS, visite a livraria. SASETS 14.2 Guia do Usuário - Procedimentos Para obter o Guia completo do Usuário do SASETS 14.2. Vá para a página de documentação do produto SASETS. O Procedimento ARIMA Analisa e projeta dados de séries temporais univariadas igualmente espaçadas, dados de função de transferência e dados de intervenção usando o modelo de média móvel auto-regressiva (ARIMA) ou de média móvel autorregressiva (ARMA). PDF HTML O Procedimento AUTOREG Estimar e prever modelos de regressão linear para dados de séries temporais quando os erros são autocorrelacionados ou heterocedásticos. PDF HTML O procedimento COMPUTAB Produz relatórios tabulares gerados usando uma tabela de dados programável. PDF HTML O procedimento COPULA Permite ao usuário ajustar distribuições multivariadas ou copulas de um dado conjunto de dados de amostra. PDF HTML O procedimento COUNTREG Analisa os modelos de regressão em que a variável dependente toma números inteiros negativos ou valores de contagem. PDF HTML O procedimento DATASOURCE Extrai séries temporais e dados de eventos de muitos tipos diferentes de arquivos de dados distribuídos por vários fornecedores de dados e os armazena em um conjunto de dados SAS. PDF HTML O procedimento ENTROPY (Experimental) Implementa um método paramétrico de estimação linear baseado na entropia máxima generalizada. PDF HTML O procedimento ESM Gera previsões usando modelos de suavização exponencial com pesos otimizados de suavização para muitas séries temporais ou dados transacionais. PDF HTML O procedimento EXPAND Converte séries temporais de um intervalo de amostragem ou de freqüência para outro e interpola valores ausentes em séries temporais. PDF HTML O procedimento FORECAST Fornece uma maneira rápida e automática para gerar previsões para muitas séries de tempo em uma única etapa. PDF HTML Os modelos de procedimento HPCDM compostos distribuições que são formadas pela combinação de modelos da freqüência de eventos ea gravidade desses eventos. PDF HTML O procedimento HPCOPULA Modelos de distribuições multivariadas usando métodos de cópula. PDF HTML O procedimento HPCOUNTREG Ajusta modelos de regressão para analisar e prever contagens do número de eventos. PDF HTML O Procedimento HPPANEL Ajustar modelos de regressão para analisar e prever os dados do painel onde as variáveis ​​são registradas tanto nos casos como ao longo do tempo. PDF HTML O procedimento HPQLIM Ajusta modelos de regressão para analisar e prever variáveis ​​qualitativas e dependentes limitadas onde as limitações ou seleção dos valores observados devem ser modeladas. PDF HTML O procedimento HPSEVERITY Ajusta modelos de regressão para analisar e prever a gravidade dos eventos usando uma variedade de distribuições de probabilidade. PDF HTML O Processo de Empréstimo Analisa e compara os empréstimos de taxa fixa, taxa ajustável, buydown e balão de pagamento. PDF HTML O procedimento MDC Analisa modelos em que o conjunto de opções consiste em múltiplas alternativas. PDF HTML O MODELO Procedimento Analisa modelos em que as relações entre as variáveis ​​compreendem um sistema de uma ou mais equações não-lineares. PDF HTML O procedimento PANEL Analisa uma classe de modelos econométricos lineares que normalmente surgem quando se combinam séries temporais e dados de corte transversal. PDF HTML O procedimento PDLREG Estimar modelos de regressão para dados de séries temporais nos quais os efeitos de algumas das variáveis ​​regressoras são distribuídos ao longo do tempo. PDF HTML O procedimento QLIM Analisa modelos de variáveis ​​dependentes limitadas univariadas e multivariadas nas quais variáveis ​​dependentes tomam valores discretos ou variáveis ​​dependentes são observadas somente em um intervalo limitado de valores. PDF HTML O procedimento SEVERITY Estimula os parâmetros de qualquer distribuição de probabilidade contínua arbitrária que é usada para modelar a magnitude (gravidade) de um evento de interesse de valor contínuo. PDF HTML O procedimento SIMILARITY Calcula as medidas de similaridade associadas a dados com data e hora, séries temporais e outros dados numéricos ordenados sequencialmente. PDF HTML O procedimento SIMLIN Lê os coeficientes para um conjunto de equações estruturais lineares, que são normalmente produzidas pelo procedimento SYSLIN. PDF HTML O Procedimento SPATIALREG Novo Procedimento Analisa modelos econométricos espaciais para dados transversais cujas observações são referenciadas espacialmente ou georreferenciadas. PDF HTML O procedimento SPECTRA Realiza análise espectral e cross-spectral de séries temporais. PDF HTML O procedimento SSM Executa a modelagem de espaço de estados de séries temporais univariadas e multivariadas e dados longitudinais. PDF HTML O procedimento STATESPACE Usa o modelo de espaço de estados para analisar e prever séries temporais multivariadas. PDF HTML O procedimento SYSLIN Estimula parâmetros em um sistema interdependente de equações de regressão linear. PDF HTML O procedimento TIMEDATA Analisa os dados transacionais com data e hora em relação ao tempo e acumula os dados em um formato de série temporal. PDF HTML O procedimento TIMEID Avalia uma variável em um conjunto de dados de entrada para sua adequação como uma variável ID de tempo em procedimentos SAS e soluções que são usadas para análise de séries temporais. PDF HTML O procedimento TIMESERIES Analisa os dados transacionais com data e hora em relação ao tempo e acumula os dados em um formato de séries temporais. PDF HTML O TSCSREG Procedimento Analisa uma classe de modelos econométricos lineares que normalmente surgem quando se combinam séries temporais e dados de corte transversal. PDF HTML O Procedimento UCM Analisa e projeta dados de séries temporais univariadas igualmente espaçadas usando um modelo de componentes não observados (UCM). PDF HTML O Procedimento VARMAX Estimar os parâmetros do modelo e gerar previsões associadas aos processos de média móvel com movimento auto-regressivo com modelos de regressores exógenos (VARMAX). PDF HTML O Procedimento X11 Realiza ajustes aditivos ou multiplicativos e cria um conjunto de dados de saída contendo a série temporal ajustada e cálculos intermediários. PDF HTML O procedimento X12 Faz ajustes aditivos ou multiplicativos e cria um conjunto de dados de saída que contém a série de tempo ajustada e cálculos intermediários. PDF HTML O procedimento X13 Faz ajustes aditivos ou multiplicativos e cria um conjunto de dados de saída que contém a série temporal ajustada e cálculos intermediários. PDF HTML Mais sobre este produto Livros Relacionados para o Sistema PurchaseSAS para Regressão, Terceira Edição Descrição Aprenda a realizar uma ampla variedade de análises de regressão usando o software SAS com este favorito por exemplo da SAS Publishing. Com o SAS System for Regression, Terceira Edição, você aprenderá os conceitos básicos de executar análises de regressão usando uma grande variedade de modelos, incluindo modelos não-lineares. Outros tópicos incluem realizar análises de regressão linear usando PROC REG e diagnosticar e fornecer soluções para problemas de dados, incluindo outliers e multicolinearidade. Exemplos apresentam numerosos procedimentos SAS incluindo REG, PLOT, GPLOT, NLIN, RSREG, AUTOREG, PRINCOMP e outros. Os autores Rudolf Freund e Ramon Littell fornecem uma útil discussão da teoria quando necessário. Algum conhecimento tanto da regressão como do SAS é assumido. A terceira edição atualizada inclui revisões, material atualizado e novo material. Você encontrará informações sobre o uso do software SASINSIGHT, regressão com uma resposta binária com ênfase em PROC LOGISTIC e regressão não paramétrica (alisamento) usando médias móveis e PROC LOESS. Além disso, o material atualizado em todo o livro inclui saída de gráficos PROC REG de alta resolução, conjuntos de dados pela opção OUTEST descrita e ilustrada e usando PROC SCORE para prever outro conjunto de dados. Este livro faz parte do programa SAS Press. Cópia impressa ISBN 978-1-58025-725-1 Páginas 264 Substitui Sistema SAS para Regressão, Segunda Edição RecommendedHow para calcular uma média móvel dentro de um por grupo 11-20-2012 09:41 AM Estou tentando calcular médias móveis trimestrais dentro de um Por grupo no entanto, há números diferentes de observações dentro de cada grupo. Tenho visto alguns exemplos, mas eles assumem o mesmo número de observações precisam ser média em todo. Aqui está um exemplo: os itens a e d são comprados em cada trimestre, mas o item b só é comprado no segundo e terceiro trimestres, enquanto o item c é comprado apenas no quarto 4. Portanto, o por grupo seria por item trimestre item trimestre Quantidade O exemplo acima é uma versão aguada. Estou usando dados de séries temporais e mesmo que um item seja comprado a cada trimestre em um ano, ele não pode ser comprado a cada trimestre em outro ano, ou não pode ser comprado em tudo para um determinado ano. Existe uma maneira simples de calcular médias móveis para este tipo de dados sem interpolação Se possível, você também pode incluir um exemplo com interpolação Qualquer ajuda seria apreciada. Eu tentei expandir os dados para incluir valores em falta para que as médias móveis podem ser computadas como paigemiller sugeriu. Estou trabalhando com SASETS pelo caminho. Estou usando dados mensais ea variável de data é formatada como monyy. Aqui está o código que eu estou usando para expandir os dados: class class class datafisher3 class item data executar proc expand datafisher3 outfshrexp frommonth methodnone por classe item não incluem data em por grupo aqui ou não vai funcionar Pergunta: Eu pensei que isso resolveu o meu desaparecidos Valor valores no entanto quando há valores em falta no inícioend da série (por exemplo, valores para uma variável iniciar em março em vez de janeiro e pode terminar em outubro em vez de dezembro), esses valores permanecem ausentes (não aparecem nos dados expandidos Conjunto) mesmo que o resto da série seja expandido. Existe uma maneira, ou uma opção em proc expand, para obter SAS para indicar que esses valores estão faltando também Bem, aqui está o código básico que estou usando para calcular médias móveis. Embora eu precise corrigir o problema de valores em falta, este código funciona muito bem. Você pode converter vários vars de uma só vez e usar várias declarações de conversão para criar diferentes médias móveis de uma só vez para essas vars. Agora, outra pergunta surgiu: alguns dos meus dados são excluídos propositadamente por anos inteiros. Eu estou usando o proc expandir converter opção para calcular as médias móveis como indicado anteriormente, mas como faço para obter o procedimento para começar de novo quando os anos não são consecutivos eu pensei sobre a criação de uma variável de contador, mas eu não posso fazer uma instrução if em proc expand. Aqui está um breve exemplo do que quero dizer. Item ano mês valor a 2000 12 a 2007 1 Aqui está o problema: o item só é comprado para estes dois anos, mas eu preciso de média móvel para começar por aqui. Qualquer sugestão seria muito apreciada. Vou continuar a trabalhar para descobrir isso também.