Introduction to Time Series Forecasting Using SAS/ETS Software

时间: 3 天

适用对象：
这个第三级别的课程适合于需要对时间序列数据进行分析和预测的统计学者、经济学家、市场调查员和商务人员等用户。

课程描述：
这个三天的课程介绍 SAS/ETS软件的时间序列预测系统的实际应用，你将学会使用菜单分析数据、建立预测模型并产生预测值，同时也将学习使用SAS/ETS过程扩展预测系统的能力。你将了解到时间序列预测系统支持的统计预测模型以及怎样拟合并解释这些模型。

完成本课程后，你将可以：使用 DATA步的SAS日期、时间和算术函数预处理时间序列数据、使用多种方法处理时间序列数据中的缺失值和缺失观测、认识并理解时间序列数据的组成项，如趋势项和季节项等、使用回归、指数光滑、ARIMA和复合模型等模型对单个时间序列进行预测、对多个时间序列执行自动产生预测过程、使用在不同汇总水平收集到的数据产生预测、对预测产生有效的图形展现、评估预测模型的精确度、从各种模型中选择最合适的模型。

必备条件：
在参加此课程前，你应该具有执行 SAS 程序、创建 SAS 数据集的经验、能理解线性回归等统计知识的能力。或完成如下课程的培训：

• SAS Programming I: Essentials
• Statistics I: Introduction to ANOVA, Regression, and Logistic Regression

课程内容：
介绍：

• 回顾统计概念和术语。
• 回顾基本的统计模型。

时间序列概念：

• 理解时间序列的共同点。
• 理解时间序列数据的结构。
• 置换文件。
• 使用 SAS 日期和时间值，输出格式和函数。

指数平滑模型：

• 拟合非季节性模型。
• 拟合季节性模型。
• 评估并比较模型。

回顾多元线性回归：

• 回顾估计、假设检验和预测。
• 回顾变量选择。
• 回顾回归诊断。

ARIMA 模型：

• 拟合简单的 AR ， MA 和 ARMA 模型。
• 使用时间序列函数。
• 使用非季节性 ARIMA 模型。
• 使用季节性 ARIMA 模型。
• 对稳定性和噪音测试。

时间序列误差项的回归模型：

• 使用干涉模型。
• 使用领先指示器。
• 使用随机预测。
• 使用模型评估。

预测多个序列：

• 使用时间预测系统的自动预测。
• 使用 PROC FORECAST 过程进行批处理。
• 用相似的模式对序列分组。

各种数据主题：

• 识别数据问题。
• 处理缺失值。
• 使用聚集和插入数据的方法。
• 选择最佳的汇总水平。
• 处理对响应序列的约束。
• 使用维度减少的方法。

使用产品： SAS/STAT， SAS/ETS，SAS/BASE。