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