BookmarkSubscribeRSS Feed
Cnord
Calcite | Level 5

I have managed to get an output of this coding which indicates which model with parameter p,d and h is the best fit model. However, I am stucked on how to forecast the future price with lead=6 with the p=8, d=8 and h=1. Can anyone help me out ? I am using SAS 9.4 and this model is functional coefficient autoregressive model.

The coding for fiding the best fit model is as follow:

 

proc import out=pepper
datafile='C:\Downloads\WPJan97toDec15.xls'
dbms=excel replace;
sheet='Sheet1';
getnames=yes;
run;

 

proc print data=pepper;
run;

 

Proc iml;
use pepper;
read all into y;
pdh=j(1,4,999);
print pdh;
APEh=j(4,1,0);
print APEh;
u0=sum(y)/nrow(y);
n=nrow(y);
sum=sum(y);
print sum;
print n;
print u0;
do p=1 to 8;
             do d=1 to p;
                       x0=j(nrow(y),p,0);
                       do i= p+1 to nrow(y);
                                  x0[i,]=y[i-1:i-p]`;
                       end;
                       do h=0.1 to 1 by 0.1;
                                   do j=1 to 4;
                                               t=nrow(y)-(7*j);
                                               n=t-p;
                                               x=j(t,p,0);
                                               u=j(t,1,0);
                                               do i= p+1 to t;
                                                            x[i,]=y[i-1:i-p]`;
                                                            u[i]=y[i-d];
                                               end;
                                               x1=x[p+1:t,];
                                               u1=u[p+1:t,];
                                               w=j(n,n,0);
                                               w1=j(n,1,0);
                                               x2=j(n,p,1);
                                               do i=1 to n;
                                                           ind=(u1[i]-u0)/h;
                                                           if (ind<=1) then do;
                                                           w[i,i]=(0.75/h)*(1-((u1[i]-u0)*(u1[i]-u0))/(h*h));

                                                           w1[i,]=w[i,i];
                                                           x2[i,]=x1[i,]*(u1[i]-u0);
                                                           end;
                                                           else do;
                                                           w[i,i]=0;
                                                           w1[i,]=w[i,i];
                                                           x2[i,]=x1[i,]*(u1[i]-u0);
                                                           end;
                                               end;
                                               Xcurl=j(n,2*p,0);
                                               xcurl=xl||x2;
                                               y1=y[p+1:t,];
                                               beta=inv(xcurl`*w*xcurl)*(xcurl`*w*y1);
                                               beta1=beta[1: p,];
                                               yhat=xcurl*beta;
                                               error=y1-yhat;
                                               apeerror=j(7,1,0);
                                               apeerror=error[n-7*j+1:n-7*j+7,];
                                               APEh[j]=(1/7)*apeerror`*apeerror;
                                   end;
                                   APE=sum(APEh)/4;
                                   pdh=pdh//(p||d||h||APE);
                       end;
             end;
end;
pdh=pdh[2:nrow(pdh),];
minAPE=min(pdh[,4]);
do i=1 to nrow(pdh);
             if (pdh[i,4]=minAPE) then rw=i;
end;
result=pdh[rw,];
print beta1;

2 REPLIES 2
Cnord
Calcite | Level 5

I also facing a trouble that my result for beta1 and minAPE is extremely large. I don't know what causes it to be like this.

Ready to join fellow brilliant minds for the SAS Hackathon?

Build your skills. Make connections. Enjoy creative freedom. Maybe change the world. Registration is now open through August 30th. Visit the SAS Hackathon homepage.

Register today!
Multiple Linear Regression in SAS

Learn how to run multiple linear regression models with and without interactions, presented by SAS user Alex Chaplin.

Find more tutorials on the SAS Users YouTube channel.

Discussion stats
  • 2 replies
  • 803 views
  • 0 likes
  • 2 in conversation