- alumnas: rangel ada g. ci. 19.752.385 gil venecia a. s. ci. 20.198.319 -catedra: computacion...
TRANSCRIPT
MODULO DE SAS: ETS
REPUBLICA BOLIVARIANA DE VENEZUELAUNIVERSIDAD DE LOS ANDES
FACULTAD DE CIENCIAS ECONOMICAS Y SOCIALESESCUELA DE ESTADISTICA
-ALUMNAS: RANGEL ADA G. CI. 19.752.385 GIL VENECIA A. S. CI. 20.198.319-CATEDRA: COMPUTACION ESTADISTICA
SAS SISTEMA INTEGRADO DE PROGRAMAS
INDEPENDIENTES PARA EL PROCESAMIENTO Y
ANALISIS
MODELADO Y SIMULACION
SERIES DE TIEMPO
ANALISIS Y PREDICCION
ECONOMERTIA
ETS
DISEÑOMODULAR
ANALISIS FINANCIERO
ECONOMETRIA Y MODELADO DE SISTEMAS
MODELADO ECONOMETRICO
SIMULACION
MODELO SYSLIN DIMLIN
PROCEDIMIENTOS
NORMALIDAD ESTACIONALIDAD RUIDO BLANCO PRUEBA DE
HIPOTESIS ENTRE OTROS
PRUEBAS
MCO MODELOS CON Y SIN VARIABLES FICTICIAS MODELOS QUE CORRIGEN
AUTOCORRELACION MODELOS QUE CORRIGEN
HETEROSCEDASTICIDAD SISTEMAS DE ECUACIONES LINEALES MODELOS NO LINEALES SISTEMAS DE ECUACIONES DIFERENCIALES CORTE T. Y SERIES DE TIEMPO
PREDICCION
ANALISIS DE SERIES DE TIEMPODATOS UNIVARIADOS
DATOS MULTIVARIADOS
ESTIMAR RELACIONES
PANEL AUTOREG PDIREG ARIMA STATESPA
CE SPECTRA
PROCEDIMIENTOS
GENERAR PREDICCIONES
PREDICCION AUTOMATICA
COMBINACION DEL CONOCIMIENTO PASADO Y LAS EXPECTATIVAS FUTURAS CON UN MODELO ESTIMADO
PROCEDIMIENTOS AUTOREG ARIMA ESM
SISTEMA DE PRONOSTICO DE SERIES
APLICACION
AMPUTAR,EXPLORAR Y ANALIZAR DATOS DE SERIES DE TIEMPO UNIVARIANTES
SELECCIÓN DE MODELO AUTOMATICO SELECCIÓN DEL MODELO QUE MEJOR SE
AJUSTE FUNCIONES DE DIAGNOSTICO HERRAMIENTAS DE MODELADO
MANIPULACION DE DATOS
CONVERTIR DATOS ESPACIADOS
IRREGULARMENTE
EXPAND X11 X12
PROCEDIMIENTOS
CONVERTIR DATOS DE SERIES DE TIEMPO DE UNA FRECUENCIA A OTRA
INTERPOLAR VALORES PERDIDOS
ANALISIS E INFORMES FINANCIEROS
COMPARAR PRESTAMOS ANALIZAR PRESTAMOS DE TASA FIJA Y VARIABLE REALIZAR CALCULOS E INFORMES FINANCIEROS
LOAN COMPUTAB
PROCEDIMIENTOS
PROCEDIMIENTOS ETS
ARIMA
MODELIZACION(BOX-JENKINS)
AUTOCORRELACION PARCIAL
AUTOCORRELACION INVERSA
AUTOCORRELACION CRUZADA
MINIMOS CUADRADOS CONDICIONALES
MINIMOS CUADRADOS INCONDICIONALES
MAXIMO VEROSIMILITUDDIAGNOSTICO E IDENTIFICACION DEL MODELO
PROC ARIMA
AR(P)MA(Q)
ARMA(P,Q)
AUTOREG
ESTIMAR Y PREDECIR MODELOS DE REGRESION LINEAL CON ERRORES AUTORREGRESIVOS
PROBAR HIPOTESIS LINEALES MODELOS DE ESTIMACION PRUEBA DE
HETEROSCCEDASTICIDAD
PREDICCION AUTOMATICAPROC FORECAST
SUAVIZADO EXPONENCIAL
METODO HOLT-WINTERS
CUANDO HAY MUCHAS SERIES A PRONOSTICAR SIN TENER QUE DESARROLLAR UN MODELO PARA CADA
SERIE
TENDENCIA
FORECAST
MODEL
LOS MODELOS PUEDEN SER ALMACENADOS EN ARCHIVOS
ESTIMACION DE PARAMETROS
SIMULACION PREDICCION
EJEMPLOEn enero de 1983, el gobierno británico aprobó una ley de
cinturón de seguridad obligatoria con el fin de reducir el número
de víctimas en accidentes de carretera. Las leyes del cinturón de
seguridad son a menudo controvertidas. Los opositores a veces
afirman que no reducen significativamente el número de víctimas.
Un análisis gráfico de los valores pronosticados y los límites de
confianza del 95% superior e inferior de un modelo de
intervención nos da información valiosa sobre el impacto de la
legislación. La variable LESIONES, contiene el número de muertes
y lesiones graves a los conductores de automóviles en las
carreteras en Gran Bretaña, desde enero de 1980 a diciembre de
1985. En enero de 1983, una ley de cinturón de seguridad
obligatoria entró en vigor. La variable LEYDELCINTURON toma el
valor 0 antes del 1 de enero de 1983 y un valor de 1 a partir de
entonces.
SINTAXIS/*convertir los datos en series de tiempo*/ data CONDUCTORES; INFILE "C:\Users\gary\Documents\computacio estadistica\CONDUCTORES.DAT"; format FECHA monyy.; input FECHA:monyy6. LESIONES ; LEYDELCINTURON = (FECHA ge '01jan83'd); proc print;
/*grafico de la serie de tiempo*/ proc gplot data=CONDUCTORES; plot LESIONES*FECHA=1; symbol1 v=star c=pink; title "GRAFICO DE LA SERIE DE TIEMPO"; RUN;
/*utilizacion de la sentencia para identificar el modelo */ proc arima data=CONDUCTORES ; identify var=LESIONES nlag=12;
jan80 1665 ...
dec85 1245
/*Grafico del pronostico*/ proc gplot data=fore2; format FECHA year6.; plot LESIONES*FECHA=1 forecast*FECHA=2/ overlay haxis=axis1 vaxis=axis2 vminor=4 href='01jan83'd lh=2; title1 'MESES TOTALES'; axis1 offset=(1 cm) label=('Años') order=('01jan80'd to '01jan86'd by year); axis2 label=(angle=90 'Accidentes') order=(750 to 2250 by 500); symbol1 i=join l=1 c=green; symbol2 h=2 pct v=star c=blue; footnote1 c=g f=centx ' --- Actual' c=b f=centx ' * Pronóstico'; run;
/*ESTIMACION DEL MODELO*/ proc arima data=CONDUCTORES; i var=LESIONES crosscorr=LEYDELCINTURON noprint; e input=LEYDELCINTURON p=(1); f lead=12 out=fore2 id=FECHA interval=MES; run; quit;
RESULTADOSThe ARIMA Procedure
Name of Variable = LESIONES Mean of Working Series 1524.417 Standard Deviation 191.6431 Number of Observations 72 Autocorrelations Lag Covariance Correlation -1 9 8 7 6 5 4 3 2 1 0 1 2 3 4 5 6 7 8 9 1 Std Error 0 36727.076 1.00000 | |********************| 0 1 19097.305 0.51998 | . |********** | 0.117851 2 14187.432 0.38629 | . |******** | 0.146285 3 6774.728 0.18446 | . |**** . | 0.159826 4 -2840.118 -.07733 | . **| . | 0.162756 5 -3478.560 -.09471 | . **| . | 0.163266 6 -6105.399 -.16624 | . ***| . | 0.164027 7 -5556.361 -.15129 | . ***| . | 0.166351 8 -6127.179 -.16683 | . ***| . | 0.168251 9 -2440.702 -.06646 | . *| . | 0.170533 10 2996.683 0.08159 | . |** . | 0.170892 11 11004.247 0.29962 | . |******. | 0.171432 12 16923.471 0.46079 | . |********* | 0.178557 "." marks two standard errors
RESULTADOSInverse Autocorrelations
Lag Correlation -1 9 8 7 6 5 4 3 2 1 0 1 2 3 4 5 6 7 8 9 1 1 -0.13425 | . ***| . | 2 -0.23950 | *****| . | 3 -0.18307 | .****| . | 4 0.23515 | . |***** | 5 0.03855 | . |* . | 6 -0.02367 | . | . | 7 -0.16039 | . ***| . | 8 0.05469 | . |* . | 9 0.11597 | . |** . | 10 0.09492 | . |** . | 11 -0.11892 | . **| . |
12 -0.15684 | . ***| . | Partial Autocorrelations Lag Correlation -1 9 8 7 6 5 4 3 2 1 0 1 2 3 4 5 6 7 8 9 1 1 0.51998 | . |********** | 2 0.15887 | . |*** . | 3 -0.09435 | . **| . | 4 -0.26817 | *****| . | 5 0.03137 | . |* . | 6 -0.02522 | . *| . | 7 -0.00989 | . | . | 8 -0.11431 | . **| . | 9 0.09912 | . |** . | 10 0.18304 | . |****. | 11 0.30947 | . |****** | 12 0.21576 | . |****. |
RESULTADOS
The ARIMA Procedure Conditional Least Squares Estimation Standard Approx Parameter Estimate Error t Value Pr > |t| Lag Variable Shift MU 1591.7 54.73254 29.08 <.0001 0 LESIONES 0 AR1,1 0.53616 0.10779 4.97 <.0001 1 LESIONES 0 NUM1 -140.48118 76.92552 -1.83 0.0721 0 LEYDELCINTURON 0 Constant Estimate 738.3057 Variance Estimate 25942.52 Std Error Estimate 161.0668 AIC 939.0448 SBC 945.8748 Number of Residuals 72 * AIC and SBC do not include log determinant.
RESULTADOS Correlations of Parameter Estimates Variable LESIONES LESIONES LEYDELCINTURON Parameter MU AR1,1 NUM1 LESIONES MU 1.000 0.120 -0.684 LESIONES AR1,1 0.120 1.000 -0.219 LEYDELCINTURON NUM1 -0.684 -0.219 1.000
Autocorrelation Check of Residuals To Chi- Pr > Lag Square DF ChiSq --------------------Autocorrelations----------------- 6 8.35 5 0.1381 -0.095 0.188 0.107 -0.198 0.013 -0.112 12 26.75 11 0.0050 -0.007 -0.138 -0.018 -0.006 0.072 0.429 18 41.22 17 0.0009 -0.081 0.221 -0.032 -0.207 0.006 -0.230 24 53.69 23 0.0003 -0.024 -0.188 -0.071 0.039 -0.029 0.269 Model for variable LESIONES Estimated Intercept 1591.73 Autoregressive Factors Factor 1: 1 - 0.53616 B**(1)
RESULTADOS
LESIONES
1100
1200
1300
1400
1500
1600
1700
1800
1900
2000
FECHA
JAN80 MAY80 SEP80 JAN81 MAY81 SEP81 JAN82 MAY82 SEP82 JAN83 MAY83 SEP83 JAN84 MAY84 SEP84 JAN85 MAY85 SEP85 JAN86
RESULTADOS
RESULTADOS