<?xml version="1.0" encoding="UTF-8"?>
<rss xmlns:content="http://purl.org/rss/1.0/modules/content/" xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:rdf="http://www.w3.org/1999/02/22-rdf-syntax-ns#" xmlns:taxo="http://purl.org/rss/1.0/modules/taxonomy/" version="2.0">
  <channel>
    <title>topic Proc ARIMA fitting problem in SAS Procedures</title>
    <link>https://communities.sas.com/t5/SAS-Procedures/Proc-ARIMA-fitting-problem/m-p/88580#M25283</link>
    <description>&lt;HTML&gt;&lt;HEAD&gt;&lt;/HEAD&gt;&lt;BODY&gt;&lt;P&gt;I have a data set of time series observations with a seasonal trend. &lt;/P&gt;&lt;P&gt;I have de-trended and de-seasonalized it using by first differencing and also taking the log of observations. However, when I want to fit an ARIMA model, It is almost impossible to have a proper fit. &lt;/P&gt;&lt;P&gt;This is my code and I have attached the data set. &lt;/P&gt;&lt;P&gt;&lt;/P&gt;&lt;P style="padding-left: 90px;"&gt;&lt;STRONG&gt;proc import datafile="liquor.csv"&lt;/STRONG&gt;&lt;/P&gt;&lt;P style="padding-left: 90px;"&gt;&lt;STRONG&gt; out=liquor&lt;/STRONG&gt;&lt;/P&gt;&lt;P style="padding-left: 90px;"&gt;&lt;STRONG&gt; dbms=csv&lt;/STRONG&gt;&lt;/P&gt;&lt;P style="padding-left: 90px;"&gt;&lt;STRONG&gt; replace;&lt;/STRONG&gt;&lt;/P&gt;&lt;P style="padding-left: 90px;"&gt;&lt;STRONG&gt; getnames=no;&lt;/STRONG&gt;&lt;/P&gt;&lt;P style="padding-left: 90px;"&gt;&lt;STRONG&gt;run;&lt;/STRONG&gt;&lt;/P&gt;&lt;P style="padding-left: 90px;"&gt;&lt;STRONG&gt;data liquor (rename=(var1=sales));&lt;/STRONG&gt;&lt;/P&gt;&lt;P style="padding-left: 90px;"&gt;&lt;STRONG&gt;set liquor;&lt;/STRONG&gt;&lt;/P&gt;&lt;P style="padding-left: 90px;"&gt;&lt;STRONG&gt;t = _n_ ;&lt;/STRONG&gt;&lt;/P&gt;&lt;P style="padding-left: 90px;"&gt;&lt;STRONG&gt;*The log transformation is predeferencing transformation to make constant seasonal variation;&lt;/STRONG&gt;&lt;/P&gt;&lt;P style="padding-left: 90px;"&gt;&lt;STRONG&gt;LogSales=log(sales);&lt;/STRONG&gt;&lt;/P&gt;&lt;P style="padding-left: 90px;"&gt;&lt;STRONG&gt;*These are three different differencing transformation to make the data stationary;&lt;/STRONG&gt;&lt;/P&gt;&lt;P style="padding-left: 90px;"&gt;&lt;STRONG&gt;SALES1=logsales-lag(logsales);&lt;/STRONG&gt;&lt;/P&gt;&lt;P style="padding-left: 90px;"&gt;&lt;STRONG&gt;SALES2=logsales-lag12(logsales);&lt;/STRONG&gt;&lt;/P&gt;&lt;P style="padding-left: 90px;"&gt;&lt;STRONG&gt;SALES3=logsales-lag(logsales)-lag12(logsales)-lag13(logsales);&lt;/STRONG&gt;&lt;/P&gt;&lt;P style="padding-left: 90px;"&gt;&lt;STRONG&gt;x=sales1-lag12(sales1);&lt;/STRONG&gt;&lt;/P&gt;&lt;P style="padding-left: 90px;"&gt;&lt;STRONG&gt;run;&lt;/STRONG&gt;&lt;/P&gt;&lt;P style="padding-left: 90px;"&gt;&lt;/P&gt;&lt;P style="padding-left: 90px;"&gt;&lt;STRONG&gt;proc timeseries data=liquor&lt;/STRONG&gt;&lt;/P&gt;&lt;P style="padding-left: 90px;"&gt;&lt;STRONG&gt;&amp;nbsp;&amp;nbsp;&amp;nbsp;&amp;nbsp;&amp;nbsp;&amp;nbsp;&amp;nbsp;&amp;nbsp;&amp;nbsp;&amp;nbsp;&amp;nbsp;&amp;nbsp;&amp;nbsp;&amp;nbsp;&amp;nbsp;&amp;nbsp;&amp;nbsp;&amp;nbsp; out=series&lt;/STRONG&gt;&lt;/P&gt;&lt;P style="padding-left: 90px;"&gt;&lt;STRONG&gt;&amp;nbsp;&amp;nbsp;&amp;nbsp;&amp;nbsp;&amp;nbsp;&amp;nbsp;&amp;nbsp;&amp;nbsp;&amp;nbsp;&amp;nbsp;&amp;nbsp;&amp;nbsp;&amp;nbsp;&amp;nbsp;&amp;nbsp;&amp;nbsp;&amp;nbsp;&amp;nbsp; outtrend=trend&lt;/STRONG&gt;&lt;/P&gt;&lt;P style="padding-left: 90px;"&gt;&lt;STRONG&gt;&amp;nbsp;&amp;nbsp;&amp;nbsp;&amp;nbsp;&amp;nbsp;&amp;nbsp;&amp;nbsp;&amp;nbsp;&amp;nbsp;&amp;nbsp;&amp;nbsp;&amp;nbsp;&amp;nbsp;&amp;nbsp;&amp;nbsp;&amp;nbsp;&amp;nbsp;&amp;nbsp; outseason=season print=seasons;&lt;/STRONG&gt;&lt;/P&gt;&lt;P style="padding-left: 90px;"&gt;&lt;STRONG&gt;&amp;nbsp;&amp;nbsp;&amp;nbsp;&amp;nbsp;&amp;nbsp; id date interval=month accumulate=avg;&lt;/STRONG&gt;&lt;/P&gt;&lt;P style="padding-left: 90px;"&gt;&lt;STRONG&gt;&amp;nbsp;&amp;nbsp;&amp;nbsp;&amp;nbsp;&amp;nbsp; var x;&lt;/STRONG&gt;&lt;/P&gt;&lt;P style="padding-left: 90px;"&gt;&lt;STRONG&gt;&amp;nbsp;&amp;nbsp; run;&lt;/STRONG&gt;&lt;/P&gt;&lt;P style="padding-left: 90px;"&gt;&lt;STRONG&gt; proc arima data=LIQUOR ;&lt;/STRONG&gt;&lt;/P&gt;&lt;P style="padding-left: 90px;"&gt;&lt;STRONG&gt;&amp;nbsp;&amp;nbsp;&amp;nbsp;&amp;nbsp;&amp;nbsp; identify var=x esacf ;&lt;/STRONG&gt;&lt;/P&gt;&lt;P style="padding-left: 90px;"&gt;&lt;STRONG&gt;&amp;nbsp;&amp;nbsp;&amp;nbsp;&amp;nbsp;&amp;nbsp; estimate&amp;nbsp; p=2 q=3;&lt;/STRONG&gt;&lt;/P&gt;&lt;P style="padding-left: 90px;"&gt;&lt;STRONG&gt;&amp;nbsp;&amp;nbsp; run;&lt;/STRONG&gt;&lt;/P&gt;&lt;P&gt;Any suggestions and help is greatly appreciated. &lt;/P&gt;&lt;/BODY&gt;&lt;/HTML&gt;</description>
    <pubDate>Sun, 07 Oct 2012 20:58:44 GMT</pubDate>
    <dc:creator>niam</dc:creator>
    <dc:date>2012-10-07T20:58:44Z</dc:date>
    <item>
      <title>Proc ARIMA fitting problem</title>
      <link>https://communities.sas.com/t5/SAS-Procedures/Proc-ARIMA-fitting-problem/m-p/88580#M25283</link>
      <description>&lt;HTML&gt;&lt;HEAD&gt;&lt;/HEAD&gt;&lt;BODY&gt;&lt;P&gt;I have a data set of time series observations with a seasonal trend. &lt;/P&gt;&lt;P&gt;I have de-trended and de-seasonalized it using by first differencing and also taking the log of observations. However, when I want to fit an ARIMA model, It is almost impossible to have a proper fit. &lt;/P&gt;&lt;P&gt;This is my code and I have attached the data set. &lt;/P&gt;&lt;P&gt;&lt;/P&gt;&lt;P style="padding-left: 90px;"&gt;&lt;STRONG&gt;proc import datafile="liquor.csv"&lt;/STRONG&gt;&lt;/P&gt;&lt;P style="padding-left: 90px;"&gt;&lt;STRONG&gt; out=liquor&lt;/STRONG&gt;&lt;/P&gt;&lt;P style="padding-left: 90px;"&gt;&lt;STRONG&gt; dbms=csv&lt;/STRONG&gt;&lt;/P&gt;&lt;P style="padding-left: 90px;"&gt;&lt;STRONG&gt; replace;&lt;/STRONG&gt;&lt;/P&gt;&lt;P style="padding-left: 90px;"&gt;&lt;STRONG&gt; getnames=no;&lt;/STRONG&gt;&lt;/P&gt;&lt;P style="padding-left: 90px;"&gt;&lt;STRONG&gt;run;&lt;/STRONG&gt;&lt;/P&gt;&lt;P style="padding-left: 90px;"&gt;&lt;STRONG&gt;data liquor (rename=(var1=sales));&lt;/STRONG&gt;&lt;/P&gt;&lt;P style="padding-left: 90px;"&gt;&lt;STRONG&gt;set liquor;&lt;/STRONG&gt;&lt;/P&gt;&lt;P style="padding-left: 90px;"&gt;&lt;STRONG&gt;t = _n_ ;&lt;/STRONG&gt;&lt;/P&gt;&lt;P style="padding-left: 90px;"&gt;&lt;STRONG&gt;*The log transformation is predeferencing transformation to make constant seasonal variation;&lt;/STRONG&gt;&lt;/P&gt;&lt;P style="padding-left: 90px;"&gt;&lt;STRONG&gt;LogSales=log(sales);&lt;/STRONG&gt;&lt;/P&gt;&lt;P style="padding-left: 90px;"&gt;&lt;STRONG&gt;*These are three different differencing transformation to make the data stationary;&lt;/STRONG&gt;&lt;/P&gt;&lt;P style="padding-left: 90px;"&gt;&lt;STRONG&gt;SALES1=logsales-lag(logsales);&lt;/STRONG&gt;&lt;/P&gt;&lt;P style="padding-left: 90px;"&gt;&lt;STRONG&gt;SALES2=logsales-lag12(logsales);&lt;/STRONG&gt;&lt;/P&gt;&lt;P style="padding-left: 90px;"&gt;&lt;STRONG&gt;SALES3=logsales-lag(logsales)-lag12(logsales)-lag13(logsales);&lt;/STRONG&gt;&lt;/P&gt;&lt;P style="padding-left: 90px;"&gt;&lt;STRONG&gt;x=sales1-lag12(sales1);&lt;/STRONG&gt;&lt;/P&gt;&lt;P style="padding-left: 90px;"&gt;&lt;STRONG&gt;run;&lt;/STRONG&gt;&lt;/P&gt;&lt;P style="padding-left: 90px;"&gt;&lt;/P&gt;&lt;P style="padding-left: 90px;"&gt;&lt;STRONG&gt;proc timeseries data=liquor&lt;/STRONG&gt;&lt;/P&gt;&lt;P style="padding-left: 90px;"&gt;&lt;STRONG&gt;&amp;nbsp;&amp;nbsp;&amp;nbsp;&amp;nbsp;&amp;nbsp;&amp;nbsp;&amp;nbsp;&amp;nbsp;&amp;nbsp;&amp;nbsp;&amp;nbsp;&amp;nbsp;&amp;nbsp;&amp;nbsp;&amp;nbsp;&amp;nbsp;&amp;nbsp;&amp;nbsp; out=series&lt;/STRONG&gt;&lt;/P&gt;&lt;P style="padding-left: 90px;"&gt;&lt;STRONG&gt;&amp;nbsp;&amp;nbsp;&amp;nbsp;&amp;nbsp;&amp;nbsp;&amp;nbsp;&amp;nbsp;&amp;nbsp;&amp;nbsp;&amp;nbsp;&amp;nbsp;&amp;nbsp;&amp;nbsp;&amp;nbsp;&amp;nbsp;&amp;nbsp;&amp;nbsp;&amp;nbsp; outtrend=trend&lt;/STRONG&gt;&lt;/P&gt;&lt;P style="padding-left: 90px;"&gt;&lt;STRONG&gt;&amp;nbsp;&amp;nbsp;&amp;nbsp;&amp;nbsp;&amp;nbsp;&amp;nbsp;&amp;nbsp;&amp;nbsp;&amp;nbsp;&amp;nbsp;&amp;nbsp;&amp;nbsp;&amp;nbsp;&amp;nbsp;&amp;nbsp;&amp;nbsp;&amp;nbsp;&amp;nbsp; outseason=season print=seasons;&lt;/STRONG&gt;&lt;/P&gt;&lt;P style="padding-left: 90px;"&gt;&lt;STRONG&gt;&amp;nbsp;&amp;nbsp;&amp;nbsp;&amp;nbsp;&amp;nbsp; id date interval=month accumulate=avg;&lt;/STRONG&gt;&lt;/P&gt;&lt;P style="padding-left: 90px;"&gt;&lt;STRONG&gt;&amp;nbsp;&amp;nbsp;&amp;nbsp;&amp;nbsp;&amp;nbsp; var x;&lt;/STRONG&gt;&lt;/P&gt;&lt;P style="padding-left: 90px;"&gt;&lt;STRONG&gt;&amp;nbsp;&amp;nbsp; run;&lt;/STRONG&gt;&lt;/P&gt;&lt;P style="padding-left: 90px;"&gt;&lt;STRONG&gt; proc arima data=LIQUOR ;&lt;/STRONG&gt;&lt;/P&gt;&lt;P style="padding-left: 90px;"&gt;&lt;STRONG&gt;&amp;nbsp;&amp;nbsp;&amp;nbsp;&amp;nbsp;&amp;nbsp; identify var=x esacf ;&lt;/STRONG&gt;&lt;/P&gt;&lt;P style="padding-left: 90px;"&gt;&lt;STRONG&gt;&amp;nbsp;&amp;nbsp;&amp;nbsp;&amp;nbsp;&amp;nbsp; estimate&amp;nbsp; p=2 q=3;&lt;/STRONG&gt;&lt;/P&gt;&lt;P style="padding-left: 90px;"&gt;&lt;STRONG&gt;&amp;nbsp;&amp;nbsp; run;&lt;/STRONG&gt;&lt;/P&gt;&lt;P&gt;Any suggestions and help is greatly appreciated. &lt;/P&gt;&lt;/BODY&gt;&lt;/HTML&gt;</description>
      <pubDate>Sun, 07 Oct 2012 20:58:44 GMT</pubDate>
      <guid>https://communities.sas.com/t5/SAS-Procedures/Proc-ARIMA-fitting-problem/m-p/88580#M25283</guid>
      <dc:creator>niam</dc:creator>
      <dc:date>2012-10-07T20:58:44Z</dc:date>
    </item>
    <item>
      <title>Re: Proc ARIMA fitting problem</title>
      <link>https://communities.sas.com/t5/SAS-Procedures/Proc-ARIMA-fitting-problem/m-p/88581#M25284</link>
      <description>&lt;HTML&gt;&lt;HEAD&gt;&lt;/HEAD&gt;&lt;BODY&gt;&lt;P&gt;I am closing this discussion due to inactivity. &lt;/P&gt;&lt;/BODY&gt;&lt;/HTML&gt;</description>
      <pubDate>Thu, 02 May 2013 00:09:39 GMT</pubDate>
      <guid>https://communities.sas.com/t5/SAS-Procedures/Proc-ARIMA-fitting-problem/m-p/88581#M25284</guid>
      <dc:creator>niam</dc:creator>
      <dc:date>2013-05-02T00:09:39Z</dc:date>
    </item>
  </channel>
</rss>

