SAS建立时间序列模型
sas绘制时序图
SAS软件绘制时序图—平稳性的检验方法之一PROC GPLOT过程proc gplot过程用于作出高分辨率的散点图或曲线图。
其主要语句形式为：proc gplot options;plot yvariable*xvariable/ options;symbol options;命令说明：（1）proc gplot options;此语句中的options主要指定SAS数据集的名称。
（2）plot y variable*x variable/options;此语句画出y变量与x变量的（y,x）图,options主要选项有：Cframe:给定图的底色，如黄色（yellow）、红色（red）、蓝色（blue）、灰色（gray）、浅灰色（ligr）等。
默认的颜色为白色。
Overlay:若要将两个以上的图形画在同一坐标系中，可用”overlay”选项。
（3）symbol options;此语句定义绘图的符号、颜色、是否连线以及线条的粗细等等。
Options主要选项有：c为点或线的颜色；v为定义点的表示符号，可以取dot(大点)，point(小点)，plus(加号)，star（星号），circle（圆圈），square（方形），triangle（三角），diamond（菱形）等；i为确定散点之间连线的形状，可以取join(直线)，spline（光滑线），needle（向水平轴的垂线）；w=n确定线的粗细。
n为线的粗细的号。
n越大，线条越粗。
默认时为1。
L=n，n为线型的序号。
1表示实线，2表示虚线，等等。
例如：下列数据为y1与y2变量的取值，绘制其时序图（time=intnx('month','01jul2004'd,_n_-1);）。
12.85 15.2113.56 14.2315.36 17.3614.53 18.2513.50 15.33解答：data example1;input y1 y2;time=intnx('month','01jul2004'd,_n_-1);format time date.;cards;12.85 15.2113.56 14.2315.36 17.3614.53 18.2513.50 15.33;proc gplot data=example1;plot y1*time=1 y2*time=2/overlay;symbol1c=black v=star i=join;symbol2c=red v=circle i=spline;run;y1191817161514131201JU L0401A U G0401S E P0401O C T0401N O V0401D E C04t i m eplot y1*time y2*time/overlay;symbol1c=black v=star i=join w=2;symbol2c=red v=circle i=spline w=3;run;y1191817161514131201JU L0401A U G0401S E P0401O C T0401N O V0401D E C04t i m eproc gplot data=example1;plot y1*time y2*time/overlay cframe=yellow;symbol1c=black v=star i=join w=2;symbol2c=red v=circle i=spline w=3;run;y1191817161514131201JU L0401A U G0401S E P0401O C T0401N O V0401D E C04t i m eplot y1*time y2*time/overlay cframe=yellow;symbol1c=black v=star i=join l=1w=2;symbol2c=red v=circle i=spline l=2w=3;run;y1191817161514131201JU L0401A U G0401S E P0401O C T0401N O V0401D E C04t i m e。
基于SAS软件的时间序列实验的代码
基于SAS软件的时间序列实验的代码实验指南目录实验一分析太阳黑子数序列 (3)实验二模拟AR模型 (4)实验三模拟MA模型和ARMA模型 (6)实验四分析化工生产量数据 (8)实验五模拟ARIMA模型和季节ARIMA模型 (10)实验六分析美国国民生产总值的季度数据 (13)实验七分析国际航线月度旅客总数数据 (16)实验八干预模型的建模 (19)实验九传递函数模型的建模 (22)实验十回来与时序相结合的建模 (25)太阳黑子年度数据 (28)美国国民收入数据 (29)化工生产过程的产量数据 (30)国际航线月度旅客数据 (30)洛杉矶臭氧每小时读数的月平均值数据 (31)煤气炉数据 (35)芝加哥某食品公司大众食品周销售数据 (37)牙膏市场占有率周数据 (39)某公司汽车生产数据 (44)加拿大山猫数据 (44)实验一分析太阳黑子数序列实验目的：了解时刻序列分析的差不多步骤，熟悉SAS/ETS软件使用方法。
二、实验内容：分析太阳黑子数序列。
三、实验要求：了解时刻序列分析的差不多步骤，注意各种语句的输出结果。
四、实验时刻：2小时。
五、实验软件：SAS系统。
六、实验步骤1、开机进入SAS系统。
创建名为exp1的SAS数据集，即在窗中输入下列语句：data exp1;input a1 @@;year=intnx(‘year’,’1jan1742’d,_n_-1);format year year4.;cards;输入太阳黑子数序列(见附表)run;储存此步骤中的程序，供以后分析使用（只需按工具条上的储存按钮然后填写完提咨询后就能够把这段程序储存下来即可）。
绘数据与时刻的关系图，初步识别序列，输入下列程序：proc gplot data=exp1;symbol i=spline v=star h=2 c=green;plot a1*year;run;提交程序，在graph窗口中观看序列，能够看出此序列是均值平稳序列。
SAS与时间序列预测
第三章 时间序列模型实现过程（SAS）
• 模型识别
利用最小信息准则进行模型识别：
SAS 语句：
模型识别
参数估计
模型预测
Identify var=sales(1) minic p=(0:6) q=(0:6); /*对sales 一阶差分进行minic识别，指定p和q的最小值均为0，最 大值均为6*/ 结果：BIC信息指数和最优选择
间内表现为一种近似直线的持续向上或持续向下或平稳的趋势。
（2） 季节变动因素（S）：是经济现象受季节变动影响所形成的一种长度和幅度固定的周期波动。 （3） 周期变动因素（C）：周期变动因素也称循环变动因素，它是受各种经济因素影响形成的上下起 伏不定的波动。 （4） 不规则变动因素（I）：不规则变动又称随机变动，它是受各种偶然因素影响所形成的不规则变动。
• IDENTIFY选项(2/2)
• OUTCOV=：指定存储自相关系数、偏自相关系数等统计量 的数据集。 • P=(pmin,pmax)：指定ARMA模型中参数p的最小值和最大值， 通常与MINIC和SCAN选项搭配使用。 • Q=(qmin,qmax)：指定ARMA模型中参数q的最小值和最大值， 通常与MINIC和SCAN选项搭配使用。 • SCAN：计算典型相关系数平方的估计值，并用来确定ARMA 中的参数p和q的值。 • STATIONARITY=：进行实践序列的平稳性检验
• 模型
（1）加法模型：Y=T+S+C+I （2）乘法模型：Y=T*S*C*I
第二章 时间序列模型建模步骤
第一步，模型识别
时间序列平稳性检验：如果一个时间序列的概率分布与时间无关，则成为平稳序列。
SAS经济时间序列分 各种模型分析
目录实验一分析太阳黑子数序列 (3)实验二模拟AR模型 (4)实验三模拟MA模型和ARMA模型 (6)实验四分析化工生产量数据 (8)实验五模拟ARIMA模型和季节ARIMA模型 (10)实验六分析美国国民生产总值的季度数据 (13)实验七分析国际航线月度旅客总数数据 (16)实验八干预模型的建模 (19)实验九传递函数模型的建模 (22)实验十回归与时序相结合的建模 (25)太阳黑子年度数据 (28)美国国民收入数据 (29)化工生产过程的产量数据 (30)国际航线月度旅客数据 (30)洛杉矶臭氧每小时读数的月平均值数据 (31)煤气炉数据 (35)芝加哥某食品公司大众食品周销售数据 (37)牙膏市场占有率周数据 (39)某公司汽车生产数据 (44)加拿大山猫数据 (44)实验一分析太阳黑子数序列一、实验目的：了解时间序列分析的基本步骤，熟悉SAS/ETS软件使用方法。
二、实验内容：分析太阳黑子数序列。
三、实验要求：了解时间序列分析的基本步骤，注意各种语句的输出结果。
四、实验时间：2小时。
五、实验软件：SAS系统。
六、实验步骤1、开机进入SAS系统。
2、创建名为exp1的SAS数据集，即在窗中输入下列语句：3、保存此步骤中的程序，供以后分析使用（只需按工具条上的保存按钮然后填写完提问后就可以把这段程序保存下来即可）。
4、绘数据与时间的关系图，初步识别序列，输入下列程序：ods html;ods listing close;5、run;提交程序，在graph窗口中观察序列，可以看出此序列是均值平稳序列。
6、识别模型，输入如下程序。
7、提交程序，观察输出结果。
初步识别序列为AR(2)模型。
8、估计和诊断。
输入如下程序：9、提交程序，观察输出结果。
假设通过了白噪声检验，且模型合理，则进行预测。
10、进行预测，输入如下程序：11、提交程序，观察输出结果。
12、退出SAS系统，关闭计算机。
总程序：data exp1;infile "D:\exp1.txt";input a1 @@;year=intnx('year','1jan1742'd,_n_-1);format year year4.;;proc print;run;ods html;ods listing close;proc gplot data=exp1 ;symbol i=spline v=dot h=1 cv=red ci=green w=1;plot a1*year/autovref lvref=2 cframe=yellow cvref=black ;title "太阳黑子数序列";run;proc arima data=exp1;identify var=a1 nlag=24 minic p=(0:5) q=(0:5); estimate p=3; forecast lead=6 interval=year id=year out=out; run; proc print data=out; run;选取拟合模型的规则:1.模型显着有效(残差检验为白噪声)2.模型参数尽可能少3.结合自相关图和偏自相关图以及minic 条件(BIC 信息量最小原则),选取显着有效的参数实验二 模拟AR 模型一、 实验目的：熟悉各种AR 模型的样本自相关系数和偏相关系数的特点，为理 论学习提供直观的印象。
SAS学习系列39.时间序列分析Ⅲ—ARIMA模型
39. 时间序列分析Ⅱ—-ARIMA 模型随着对时间序列分析方法的深入研究，人们发现非平稳序列的确定性因素分解方法(如季节模型、趋势模型、移动平均、指数平滑等）只能提取显著的确定性信息,对随机性信息浪费严重，同时也无法对确定性因素之间的关系进行分析。
而非平稳序列随机分析的发展就是为了弥补确定性因素分解方法的不足。
时间序列数据分析的第一步都是要通过有效手段提取序列中所蕴藏的确定性信息。
Box 和Jenkins 使用大量的案例分析证明差分方法是一种非常简便有效的确定性信息的提取方法。
而Gramer 分解定理则在理论上保证了适当阶数的差分一定可以充分提取确定性信息。
(一）ARMA 模型即自回归移动平均移动模型，是最常用的拟合平稳时间序列的模型,分为三类：AR 模型、MA 模型和ARMA 模型。
一、AR(p ）模型——p 阶自回归模型 1。
模型：011t t p t p t x x x φφφε--=+++其中，0p φ≠,随机干扰序列εt 为0均值、2εσ方差的白噪声序列（()0t s E εε=, t ≠s ），且当期的干扰与过去的序列值无关,即E （x t εt )=0.由于是平稳序列，可推得均值011pφμφφ=---. 若00φ=,称为中心化的AR (p ）模型，对于非中心化的平稳时间序列,可以令01(1)p φμφφ=---，*t t x x μ=-转化为中心化。
记B 为延迟算子，1()p p p B I B B φφΦ=---称为p 阶自回归多项式,则AR （p ）模型可表示为：()p t t B x εΦ=.2. 格林函数用来描述系统记忆扰动程度的函数，反映了影响效应衰减的快慢程度（回到平衡位置的速度），G j 表示扰动εt —j 对系统现在行为影响的权数。
例如，AR(1)模型（一阶非齐次差分方程），1, 0,1,2,j j G j φ==模型解为0t j t j j x G ε∞-==∑.3。
时间序列分析讲义(下)
;
run;
格式2
Data 数据集名; input 变量名1 变量名2@@;
cards; 数据
;
run;
4
例1-1 录入数据 3.41 3.45 3.42 3.53 3.45 方法1 data example1_1;input price;
cards; 3.41 3.45 3.42 3.53 3.45 ; run;
48
proc gplot data= example3_1; plot x*time=1; symbol1 c=red,i=join,v=star; run; proc arima data=example3_1; identify var=x ; run;
49
50
51
本例IDENGTIFY得到的信息：
29
30
31
32
33
叫白噪声检验，这个检验着
SAS建模中至关重要，有两方面的作用： 对于待建模的时序，若检验结果为白噪声，则该
时序可不可以建模，一个白噪声序列是不能建立任 何模型的。
对于建模的后的残差序列，若检验结果为白噪声， 模型通过检验，若残差不是白噪声则模型不通过。
11
可以在数据库WORK看见数据集ex1_2数据集中有两个 变量t和price。
12
13
format t monyy.指定时间的输出格式
此处monyy.指定时间的输出格式为月-年。
14
3、 外部数据的读取
15
16
17
1.2 数据的处理 1、序列变换
data example1_3;input price@@; t=intnx('month','1jan2005'd,_n_-1); logp=log(price); format t monyy.; cards; 3.41 3.45 3.42 3.53 3.45 ; run;
SAS经济时间序列分-各种模型分析
目录实验一分析太阳黑子数序列··3实验二模拟AR模型··4实验三模拟MA模型和ARMA模型··6实验四分析化工生产量数据··8实验五模拟ARIMA模型和季节ARIMA模型··10 实验六分析美国国民生产总值的季度数据··13实验七分析国际航线月度旅客总数数据··16实验八干预模型的建模··19实验九传递函数模型的建模··22实验十回归与时序相结合的建模··25太阳黑子年度数据··28美国国民收入数据··29化工生产过程的产量数据··30国际航线月度旅客数据··30洛杉矶臭氧每小时读数的月平均值数据··31煤气炉数据··35芝加哥某食品公司大众食品周销售数据··37牙膏市场占有率周数据··39某公司汽车生产数据··44加拿大山猫数据··44实验一分析太阳黑子数序列一、实验目的：了解时间序列分析的基本步骤，熟悉SAS/ETS软件使用方法。
二、实验内容：分析太阳黑子数序列。
三、实验要求：了解时间序列分析的基本步骤，注意各种语句的输出结果。
四、实验时间：2小时。
五、实验软件：SAS系统。
六、实验步骤1、开机进入SAS系统。
2、创建名为exp1的SAS数据集，即在窗中输入下列语句：3、保存此步骤中的程序，供以后分析使用（只需按工具条上的保存按钮然后填写完提问后就可以把这段程序保存下来即可）。
4、绘数据与时间的关系图，初步识别序列，输入下列程序：ods html;ods listing close;5、run;提交程序，在graph窗口中观察序列，可以看出此序列是均值平稳序列。
SAS时间序列实验指南
实验指南广东商学院统计系数量经济教研室编制二00一年六月二十八日目录实验一分析太阳黑子数序列 (3)实验二模拟AR模型 (4)实验三模拟MA模型和ARMA模型 (6)实验四分析化工生产量数据 (8)实验五模拟ARIMA模型和季节ARIMA模型 (10)实验六分析美国国民生产总值的季度数据 (13)实验七分析国际航线月度旅客总数数据 (16)实验八干预模型的建模 (19)实验九传递函数模型的建模 (22)实验十回归与时序相结合的建模 (25)太阳黑子年度数据 (28)美国国民收入数据 (29)化工生产过程的产量数据 (30)国际航线月度旅客数据 (30)洛杉矶臭氧每小时读数的月平均值数据 (31)煤气炉数据 (35)芝加哥某食品公司大众食品周销售数据 (37)牙膏市场占有率周数据 (39)某公司汽车生产数据 (44)加拿大山猫数据 (44)实验一 分析太阳黑子数序列一、 实验目的：了解时间序列分析的基本步骤，熟悉SAS/ETS软件使用方法。
二、实验内容：分析太阳黑子数序列。
三、实验要求：了解时间序列分析的基本步骤，注意各种语句的输出结果。
四、实验时间：2小时。
五、实验软件：SAS系统。
六、实验步骤1、开机进入SAS系统。
2、创建名为exp1的SAS数据集，即在窗中输入下列语句：data exp1;input a1 @@;year=intnx(‘year’,’1jan1742’d,_n_-1);format year year4.;cards;输入太阳黑子数序列(见附表)run;3、保存此步骤中的程序，供以后分析使用（只需按工具条上的保存按钮然后填写完提问后就可以把这段程序保存下来即可）。
4、绘数据与时间的关系图，初步识别序列，输入下列程序：proc gplot data=exp1;symbol i=spline v=star h=2 c=green;plot a1*year;run;5、提交程序，在graph窗口中观察序列，可以看出此序列是均值平稳序列。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
例1 磨轮剖面资料 data li; input x @@; cards; 13.5 4.0 4.0 4.5 3.0 3.0 10.0 10.2 9.0 10.0 8.5 7.0 10.5 7.5 7.0 10.5 9.5 7.0 12.0 13.5 12.5 15.0 13.0 11.0 9.0 10.5 10.5 11.5 10.5 9.0 8.2 8.5 9.2 8.5 10.0 14.5 13.0 2.0 6.0 6.0 11.0 9.5 12.5 13.8 12.0 12.0 12.0 13.0 12.0 14.0 14.5 13.5 12.3 7.0 7.0 7.0 6.5 12.5 15.0 12.5 11.6 11.0 10.0 8.5 3.0 11.5 11.5 11.5 11.0 9.0 2.5 7.0 6.0 6.6 14.0 11.0 9.0 6.5 4.0 6.0 12.0 11.0 12.0 12.5 12.5 13.6 13.0 8.0 6.5 6.8 6.0 7.2 10.2 8.0 7.5 11.0 11.8 11.8 6.5 8.0 9.0 8.0 8.0 9.0 9.5 10.0 9.0 12.0 13.5 13.8 15.0 12.5 11.0 11.5 14.5 11.5 11.8 13.0 15.0 14.5 13.0 9.0 11.0 9.0 10.0 14.0 13.5 3.0 2.2 6.0 8.0 9.0 9.0 9.0 7.0 6.0 6.5 7.0 7.5 8.5 9.0 9.5 10.0 11.5 11.2 12.5 11.6 8.0 7.0 6.0 6.0 6.0 9.0 12.0 13.5 13.0 3.5 1.8 1.6 7.5 8.0 7.9 11.6 12.5 10.5 8.0 9.0 11.6 11.8 12.6 10.2 10.0 5.0 7.0 -1.0 0.0 0.0 3.0 11.0 12.0 12.2 11.0 8.0 7.0 5.5 10.0 11.5 7.0 4.0 7.0 7.0 10.0 9.0 8.0 10.0 13.0 10.0 6.5 11.0 13.0 13.0 14.0 13.0 12.5 12.0 9.0 8.5 7.0 8.5 10.0 8.0 4.0 3.0 10.0 13.0 13.0 13.0 12.0 11.0 11.0 11.0 14.5 14.0 14.0 13.5 10.0 9.5 10.0 12.5 10.0 9.0 9.0 4.0 3.0 6.0 5.0 7.0 6.0 5.0 8.5 10.5 11.1 11.0 10.0 11.2 8.0 2.5 5.0 13.2 14.0; Proc print data=li; run;
例2 国航客票数(Airline)数据
data seriesg; input x @@; xlog=log(x); date=intnx('month','31dec1948'd,_n_); format date monyy.; cards;
112 118 132 129 121 135 148 148 136 119 104 118 115 126 141 126 126 149 170 170 158 133 114 140 145 150 178 163 172 178 199 199 184 162 146 166 171 180 193 181 183 218 230 242 209 191 172 194 196 196 236 235 229 243 264 272 237 211 180 201 204 188 235 227 234 264 302 233 259 229 203 229 242 233 267 269 270 316 364 347 312 274 237 278 284 277 317 313 318 374 413 405 355 306 271 306 315 301 356 348 356 422 465 467 404 347 305 336 340 318 362 348 363 435 491 505 404 359 310 337 360 342 406 396 420 472 548 559 463 407 362 405 417 391 419 461 472 535 622 606 508 461 390 432 ； Proc print data= seriesg; run;
白噪声检验——卡方检验
• H0 ：直到某一给定时间间隔的样本自相关系数没 有显著不为零的.(Xt为白噪声，独立的随机扰动） • 如果对所有时间间隔，该零假设成立，则没有需要 建模的信息，也不需要建立ARIMA模型. • 被检查的时间间隔个数依赖于=选项 • 对前N-2个自相关系数的检验P值。 P<=0.005 拒绝 H0 （拒绝为白噪声，P=0时， Xt高度自相关） P<=0.005 接受 H0 (即对所有时间间隔，自相关 系数为零，说明没有建模信息，不必要做下去了）
SAS软件简介
SAS系统 是由美国SAS软件研究所开发的用于 决策支持的大型集成信息系统，是数 据处理和统计领域的国际标准软件之 一，广泛应用于金融、医药卫生、生 产、运输、通讯、政府、教育和科研 等领域。
应用SAS软件建立时间序列模型
• 准备工作：建立一个时间序列数据集 SAS语句： Data 数据集名； Input 序号（year or month）变量名 @@; Cards；/（输入数据，按input格式逐个输入数 据，以分号结束）； Proc print data＝数据集名；/输出数据表 Run；
如果序列的样本自相关系数在q步后截尾，则是MA 序列，如果偏相关系数在p步后截尾，则是AR序列。如 果都不截尾，只是按负指数衰减或以阻尼正弦波形式趋 于零（即是拖尾的），则应判断为ARMA序列，但是不 能确定阶次。
若序列的样本自相关和偏相关系数都不截尾，而且 至少有一个不是拖尾，即下降趋势很慢，不能被负指数 函数所控制，或是不具有下降的趋势而是周期变化，那 么我们便认为序列具有增长趋势或季节性变化，是非平 稳序列。可应用提取趋势性和季节性的方法，对数据进 行处理，就是主要通过差分等变换将非平稳序列变成一 个平稳序列。
ESTIMATE的输出
• 参数估计表：
– 估计方法：METHOD=选择不同的估计方法（条件最 小二乘法估计，极大似然估计，条件、无条件估计， 线性或非线性估计） 参数估计值(提供：估计值，标准差，t比值) t比值：关于参数估计值的显著性检验（近似值）。 当观测序列的长度很短，并且被估计参数的个数相 对于序列昌都很长时，t统计量的近似效果很差。 均值项MU 常数项：Constant Estimate 模型的常数项可以表 示为均值项MU和自回归参数的函数。
SAS的建模步骤
• SAS建模根据Box―Jenkins建模方法, 主要包括三个阶段： 模型识别阶段（包括模型定阶） 模型参数估计阶段（包括模型检验） 模型的预测阶段
第一阶段: 模型的识别
• 平稳性模型识别 首先判定时间序列数据是否为平稳随机数 据， （一）通过时间序列数据趋势图判别。
Sas语句： symbol1 i=join v=star; proc gplot data=seriesg; plot x*date=1/haxis='1jan49'd to '1jan61'd by year; run;
X M n ( n 2)
2 M
rk
2
R 1
(n k )
rk
t 1 n t 1
nk
t
t
tR
Байду номын сангаас
2
每个卡方值对于指定 的所有时间间隔进行计 算，并不独立于前面的 卡方值。若滞后m 期的 卡方统计量所对应的值 均小于临界值,即 p值 均小于置信水平, 则残 差卡方检验未通过.
（二）通过自相关函数和偏自相关函数的截 尾性识别模型
“IDENTIFY”语句 通过SAS软件，运行程序如下： proc arima data=数据集 identify var=变量名 nlag=时间间隔个数 run; 计算出自相关系数ACF, 逆自相关系数 SIACF, 偏自相关系数PACF和互相关系数。 根据样本自相关系数ACF和偏相关系数 PACF的形态来识别模型类别。
例2 国航客票数(Airline)数据 proc arima data=seriesg; identify var=xlog(1,12) nlag=15; run; 差分不仅影响用于IDENTIFY语句输出的 序列，而且应用于任何随后的ESTIMATE和 FORECAST语句。ESTIMATE语句对差分序 列拟模型，FORECAST语句预测差分并自动 把差分加起来以取消有IDENTIFY语句指定的 差分操作。
非平稳序列的平稳化
若序列是非平稳的，下面是通过差分变换变成一个平稳 序列。 SAS的程序为一阶差分 变量名（1） identify var=变量（1） nlog=N ； run; 若一阶差分是平稳的，对差分序列建模，观测ACF、 PACF的变化趋势，初步给出的阶数。因为输入数据是序 列的有限样本，所以由输入序列计算出样本自相关系数是 逼近产生序列的理论自相关系数。这意味着样本自相关系 数不能够恰好等于任何模型的理论自相关系数，并且可能 会具有一种或多种不同的模型的理论自相关系数相似的类 型。若一阶差分序列仍不平稳，重复以上过程，（二阶差 分，三阶差分等等）直到差分序列平稳。
第二阶段：估计和诊断检验阶段
• 时间序列Wt由IDENTIFY语句识别并且由 ESTIMATE语句处理, 即在完成可能的模型 识别后，开始估计和诊断检查阶段.
估计模型AR(P) estimate p=?; (根据偏相关系数的截尾点) run; ESTIMATE语句的功能是用模型拟合数据，并打印 出参数估计值和诊断统计量，指出模型对数据的 拟合优度。