基于SAS软件的时间序列实验的代码

实 验 指 南

1

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

2

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。 6、 识别模型，输入如下程序。

proc arima data=exp1; identify var=a1 nlag=24; run;

3

7、 提交程序，观察输出结果。初步识别序列为AR(3)模型。 8、 估计和诊断。输入如下程序：

estimate p=3; run;

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：

forecast lead=6 interval=year id=year out=out; run;

proc print data=out; run;

11、 提交程序，观察输出结果。 12、 退出SAS系统，关闭计算机。

实验二 模拟

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。 二、 实验内容：随机模拟各种AR模型。

三、 实验要求：记录各AR模型的样本自相关系数和偏相关系数，观察各种序列 图形，总结AR模型的样本自相关系数和偏相关系数的特点 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。

AR模型

??0.4zt???at过程。 2、 模拟实根情况，模拟zt?0.6zt??123、 在edit窗中输入如下程序： data a; x1=0.5; x2=0.5;

4

n=-50;

do i=-50 to 250; a=rannor(32565); x=a-0.6*x1+0.4*x2; x2=x1; x1=x; n=n+1;

if i>0 then output; end; run;

4、观察输出的数据，输入如下程序，并提交程序。 proc print data=a; var x;

proc gplot data=a; symbol i=spline c=red; plot x*n; run;

5、 观察样本自相关系数和偏相关系数，输入输入如下程 序，并提交程序。 proc arima data=a;

identify var=x nlag=10 outcov=exp1; run;

proc gplot data=exp1; symbol i=needle width=6; plot corr*lag; run;

proc gplot data=exp1; symbol i=needle width=6; plot partcorr*lag; run;

5

a=rannor(32565); x=x1+a-0.8*a1; x1=x; a1=a;

if n>0 then output; end; run;

4、观察输出的数据序列，输入如下程序：。 proc gplot data=a;

symbol i=spline;

plot x*n; run;

5、提交程序，在Graph窗口中观察图形。

6、观察样本自相关系数和偏相关系数，输入输入如下程序： proc arima data=a;

identify var=x nlag=10 outcov=exp1; run;

proc gplot data=exp1; symbol1 i=needle c=red; plot corr*lag=1; run;

proc plot data=exp1; symbol2 i=needle c=green; plot partcorr*lag=2; run;

7、 提交程序，发现自相关系数成缓慢下降的趋势，说明要做差分运算，做一阶差分运

算，输入如下程序： proc arima data=a;

identity var=x(1) nlag=24; run;

11

8、 提交程序，观察样本自相关系数与样本偏相关系数，发现自相关系数1阶截尾，故

判断差分后序列为MA(1)模型。进行模型参数估计，输入如下程序： estimate q=1 plot; run;

9、 提交程序，并观察残差图，发现模型拟合完全。 10、写出模型的方程，并与真实模型对比。

11、模拟ARIMA(1,1,0)模型，模拟(1??0.5B)(1??B)zt?at过程。重复步骤 3-10即可（但部分程序需要修改，请读者自己完成）。 12 模拟ARIMA(p,d,q)(P,D,Q)s模型，

B)(1??B)xt?(1??0.4B)(1??0.6B)a模型, 模拟(1?? 即ARIMA(0,1,1)(0,1,1)12模型。 13、创建数据集，在edit窗中输入如下程序： data c;

x1=0.9;x2=0;x3=0;x4=0;x5=0;x6=0;x7=0; x8=0;x9=0;x10=0;x11=0;x12=0;x13=0; a1=0;a2=0;a3=0;a4=0;a5=0;a6=0;a7=0; a8=0;a9=0;a10=0;a11=0;a12=0;a13=0; do n=-50 to 250; a=rannor(12345);

x=x1+x12-x13+a-0.4*a1-0.6*a12+0.24*a13; x13=x12;x12=x11;x11=x10;x10=x9;x9=x8;x8=x7; x7=x6;x6=x5;x5=x4;x4=x3;x3=x2;x2=x1;x1=x; a13=a12;a12=a11;a11=a10;a10=a9;a9=a8;a8=a7; a7=a6;a6=a5;a5=a4;a4=a3;a3=a2;a2=a1;a1=a; if n>0 then output; end; run;

14、 绘序列图，输入如下程序：

1212t 12

proc gplot data=c; symbol i=spline c=red; plot x*n; run;

15、 提交程序，到graph窗口中观察序列图形。 16、 初步识别模型，输入如下程序： proc arima data=c; identify var=x nlag=36; run;

17、 提交程序，观察样本自相关系数和样本偏相关系数。

18、 做季节差分和一阶差分除掉季节因子和趋势因子，输入如下程序： identify var=x(1,12) nlag=36; run;

19、 提交程序，观察样本自相关系数和样本偏相关系数，确定模型阶数。 20、 估计模型参数，输入如下程序： estimate q=(1)(12) method=uls plot; run;

21、 提交程序，观察残差的样本自相关系数和样本偏相关系数，看是否通过 了白噪声检验。写出模型方程式，并与真实模型对比。 22、 回到graph窗口观察各种序列图形的异同。 23、 退出SAS系统,关闭计算机.

实验六 分析美国国民生产总值的季度数据

一、实验目的：进一步学习数据分析技巧，进一步了解ARIMA模型。 二、实验内容：47年1季度到96年3季度美国国民生产总值的季度数据。 三、实验要求：写出分析报告。 四、实验时间：2小时。 五、实验软件：SAS系统。

13

六、实验步骤

1、开机进入SAS系统。

2、建立名为exp3的SAS数据集，输入如下程序： data exp3; input gnp@@;

date=intnx(‘qtr’,’1jan47’d,_n_-1); format date yyqc.; cards;

输入美国国民生产总值的数据 ； run;

注：Intnx函数按间隔递增日期，Intnx函数计算某个区间经过若干区间间 隔之后的间隔的开始日期或日期时间值，其中开始间隔内的一个日期或 日期时间值给出。 Intnx函数的格式如下：

Intnx(interval,from,n)

3 保存上述程序，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）。 4、 绘序列图，输入如下程序： proc gplot data=exp3; symbol1 i=spline; plot gnp*date=1; run;

5、 观察图形，发现图形成指数函数上升形式，故做对数变换，输入如下程序：

data lexp; set exp3; lgnp=log(gnp); run;

6、 绘变换后序列图，输入如下程序：

proc gplot data=lexp;

14

symbol2 i=spline c=red; plot lgnp*date=2; run;

7、 提交程序，到graph窗口中观察变换后的序列图，可以看出它成直线上升趋势。对

序列做初步识别，输入如下程序： proc arima data=lexp; identify var=lgnp nlag=12; run;

8、 提交程序，观察样本自相关系数，可看出有缓慢下降趋势，结合我们观察的图形，

我们知道要对序列做差分运算，作一阶差分，输入如下程序： identify var=lgnp(1) nlag=12; run;

9、 提交程序，观察样本自相关系数，可看出样本自相关系数5步后是截尾的,那么确定

为MA(5)模型,进行参数估计,输入如下程序: estimate q=5 plot; run;

10、 提交程序，观察输出结果，可看出模型通过了白噪声检验，说明模型拟合充分。

且MA1,3 , MA1,4的T值较小，说明参数显著为0，除掉这两项重新进行估计，输入如下程序：

estimate q=(1,2,5) plot; run;

11、 提交程序，观察输出结果，可看出模型通过了白噪声检验，说明模型拟合充分，

且残差标准误与前一估计相差很小，故以此结果为我们所要的结果，依此结果写出方程式。

12、 进行预测，预测美国未来2年的每季国民生产总值。输入如下程序： forcast lead=6 interval=qtr id=date out=results; run;

data results; set results; gnp=exp(lgnp);

15

l95=exp(l95); u95=exp(u95);

forecast=exp(forecast+std*std/2); run;

proc print data=results; var date forcast; where date>=’1jan96’d; run;

13、 提交程序，并把预测值记录下来。 14、 退出SAS系统，关闭计算机。

实验七 分析国际航线月度旅客总数数据

一、 实验目的：熟悉运用SAS建立ARIMA(p,d,q)(P,D,Q)s模型的方法，进一步 了解ARIMA(p,d,q)(P,D,Q)s模型的特征。

二、实验内容：19497年1月至1960年12月国际航线月度旅客总数数据。 三、实验要求：写出分析报告。 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、建立名为exp4的SAS数据集，输入如下程序： data exp4; input air@@;

date=intnx(‘month’,’1jan49’d,_n_-1); format date monyy.; cards;

输入国际航线月度旅客总数数据 ；

16

run;

3、 保存上述程序，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）。 4、 绘序列图，输入如下程序： proc gplot data=exp4;

symbol1 i=spline v=dot c=red; plot air*date=1; run;

5、 提交程序，观察图形，发现图形有很强的季节性，且成指数函数上升形式，故做对

数变换，输入如下程序： data lair; set exp4; lair=log(air); run;

6、 绘变换后序列图，输入如下程序：

proc gplot data=lair; symbol2 i=spline c=green; plot lair*date=2; run;

7、 提交程序，到graph窗口中观察变换后的序列图，可以看出它总的趋势成直线上升，

且有很强的季节性。对序列做初步识别，输入如下程序： proc arima data=lair; identify var=lair nlag=36; run;

8、 提交程序，观察样本自相关系数和偏相关系数，可看出样本自相关系数有缓慢下降

趋势，偏相关系数在1步，13步，25步较大，我们作一步一阶差分，输入如下程序： identity var=lair(1) nlag=36; run;

9、 提交程序，观察样本自相关系数和偏相关系数，发现样本自相关系数在12步，24步，

36步特别大,而偏相关系数在12步特别大，那么我们再做12步的一阶差分，输入如

17

下程序：

identify var=lair(1,12) nlag=36; run;

10、提交程序，观察样本自相关系数和偏相关系数，发现样本自相关系数在

1步，12步特别大,而偏相关系数看不出有特别的规律，我们可确定模型 的MA因子为(1??1B)(1??2B)at。 11、进行参数估计，输入如下程序：

estimate q=(1)（12）noconstant method=uls plot; run;

12 、提交程序，观察输出结果，可看出模型通过了白噪声检验，说明模型拟 合充分，故以此结果为我们所要的结果，依此结果写出方程式。 13、进行预测，输入如下程序：

forecast lead=36 interval=month id=date out=b; run;

proc print data=b; run;

14、提交程序，仔细观察预测的结果有什么规律，思考为什么有这样的规律？ 15、变换预测值，以获取原度量下的预测值，输入如下程序： data c; set b; air=exp(lair);

forecast=exp(forecast+std*std/2); l95=exp(l95); u95=exp(u95); run;

proc print data=c; run;

16、 绘预测和置信限的散点图，输入如下程序：

symbol1 I=none v=star r=1 c=red;

12 18

symbol2 I=join v=plus r=1 c=green; symbol3 I=join v=none l=3 r=1 c=blue; proc gplot data=c; where data>=’1jan59’d;

plot air*date=1 forecast*date=2 l95*date=3 u95*date=3/ overlay haxis=’1jan59’d to ‘1jan62’d by year; run;

17、 提交程序，观察图形。 18、 退出SAS系统，关闭计算机。

实验八 干预模型的建模

一、 实验目的：掌握干预模型的分析方法，进一步熟悉ARIMA过程的使用方法。 二、实验内容：1955年1月至1972年12月洛杉矶月平均臭氧数据。 三、实验要求：写出实验报告，掌握干预模型的建模方法。 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、建立名为exp5的SAS数据集，输入如下程序： data exp5;

input n ozone x1 summer winter@@; date=intnx(‘month’,’1jan55’d,_n_-1); format date monyy.; cards;

输入洛杉矶月平均臭氧数据 ；

19

run;

或者输入如下程序： data exp5; input ozone @@;

date=intnx(‘month’,’1jan55’d,_n_-1);

format date monyy.; month=month(date); year=year(date); x1=year>=1960;

summer=(51965); winter=(year>1965)-summer; cards;

只输入 ozone 一栏的数据 ； run;

3、 保存上述程序，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）。 4、绘序列图，输入如下程序： proc gplot data=exp5;

symbol1 i=spline v=dot c=red; plot ozone*date=1; run;

5、提交程序，观察图形，发现图形有很强的季节性和缓慢下降的趋势。 6、 初步识别模型，输入如下程序： identify var=ozone nlag=36; run;

7、 提交程序，观察样本自相关系数和偏相关系数，可看出样本自相关系数在1步，12

步，24步，36步都较大，且具有周期性，偏相关系数在1步最大，我们作季节差分，输入如下程序：

20

identify var=ozone(12) nlag=36; run;

8、 提交程序，观察样本自相关系数和偏相关系数，发现样本自相关系数在 1步，12步较大,而偏相关系数在1步，12步，24步都较大，且呈现拖尾 现象，我们可确定模型的MA因子为(1??1B)(1??2B)at。 9、进行参数估计，输入如下程序：

estimate q=(1)（12）noconstant method=uls plot; run;

10、提交程序，观察输出结果，可看出模型不是很干净，且不能通过白噪声

检验。我们可以做残差序列图，观看残差的特性，输入如下程序： forecast lead=12 out=b id=date interval=month id=date; run;

11、进行预测，输入如下程序：

forecast lead=36 interval=month id=date out=b noprint; run;

proc gplot data=b;

symbol I=spline v=dot c=red; plot residual*date; run;

12、提交程序，观察图形，可看出前面一段时期的残差比后面的要大。 13、我们考察修建高速公路后，是否对臭氧有显著性影响，输入如下程序： proc arima data=exp5;

identify var=ozone(12) crosscorr=(x1(12)) noprint;

estimate q=(1)(12) input(x1) noconstant method=ml itprint plot; run;

14、提交程序，观察输出结果，发现模型的标准差,AIC,SBC都变小了很多， 且x1的影响显著。思考为什么要对x1进行季节差分？

15、我们再来考察汽车装上尾气过滤器，是否对臭氧有显著性影响，输入如 下程序：

12 21

proc arima data=exp5;

identify var=ozone(12) crosscorr=(x1(12) summer winter) noprint;

estimate q=(1)(12) input(x1 summer winter) noconstant method=ml itprint plot; run;

16、 提交程序，观察输出结果，发现模型的标准差,AIC,SBC都变小了，且 模型基本上通过了白噪声检验，并且x1,summer的影响显著,而winter 的影响不显著。思考为什么不对summer和 winter进行差分？ 17、进行预测值，输入如下程序：

forecast lead=12 id=date interval=month; run;

注：这样的预测是x1,summer,winter已知的预测。 18、提交程序，观察预测值。 19、退出SAS系统，关闭计算机。

实验九 传递函数模型的建模

一、 实验目的：熟悉传递函数模型的建模方法。 二、实验内容：煤气炉数据。

三、实验要求：写出实验报告，总结传递函数模型的建模的一般步骤。 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、建立名为exp6的SAS数据集，输入如下程序： data exp6; input x y@@; t=_n_;

22

cards; 输入煤气炉数据 ； run;

3、 保存上述程序，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）。 4、绘序列图，输入如下程序： proc gplot data=exp6; symbol1 i=spline c=red; symbol2 i=spline c=green; plot x*t=1 y*t=2; run;

5、提交程序，仔细观察两序列图形，看两者有何联系。

6、先观察xt和yt的相关情况，看是否要做差分，输入如下程序： proc arima data=exp6;

identifu var=y crosscorr=(x) nlag=12; run;

7、提交程序，观察xt的yt自相关和互相关系数，发现都很快的衰减，表明不 要做差分运算。

8、 识别输入序列xt, 输入如下程序：

proc arima data=exp6; identify var=x nlag=12; run;

9、 提交程序，观察xt的自相关和偏相关系数，可以看到偏相关系数是3步 截尾的。

10、对xt拟合AR(3)模型，看是否充分，输入如下程序：

estimate p=3 plot; run;

23

11、提交程序，观察输出结果，可看到模型通过了白噪声检验，说明拟合效

果不错，把拟合的方程式写出来。

12、观察预白噪声化后的两序列的互相关系数，输入如下程序： identify var=y crosscorr=(x) nlag=12; run;

13、提交程序，观察样本自相关系数和偏相关系数和互相关系数，我们可以 初步识别传递函数模型为（2，2，3）(思考:为什么?)，即： (1??1B??2B)yt?(?0??1B??2B)xt?3 14、进行参数估计，并查看残差的相关情况，输入如下程序： estimate input=(3$(1,2)/(1,2)x) plot; run;

15、提交程序，观察输出结果，可以看到残差的偏相关系数是2步 截尾的。那么模型可识别为：

22(?0??1B??2B2)?0x?at yt?t?322(1??1B??2B)(1??1B??2B)16、进行参数估计，输入如下程序：

estimate p=2 input=(3$(1,2)/(1,2)x) plot; run;

17、 提交程序，观察输出结果，可看到?2很小，且模型通过了白噪声检验，那么我们除

掉这一项,再进行估计，输入如下程序： estimate p=2 input=(3$(1,2)/(1)x) plot; run;

18、 提交程序，观察输出结果，可看到模型通过了白噪声检验提交程序，说明模型拟合

充分,请写出方程式。 19、进行预测，输入如下程序：

forecast lead=6 ; run;

20、提交程序，观察预测结果。 21、退出SAS系统，关闭计算机。

24

实验十 回归与时序相结合的建模

一、 实验目的：熟悉回归与时序相结合的建模方法。 二、实验内容：芝加哥某食品公司大众食品周销售数据。

三、实验要求：写出实验报告，总结回归与时序相结合的建模的一般步骤。 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、建立名为exp7的SAS数据集，输入如下程序： data exp7;

input y1 y2 y3 y4 @@;

date=intnx(‘week’,’14sep91’d,_n_-1); format date date9.; cards;

输入芝加哥某食品公司大众食品周销售数据 ； run;

3、 保存上述程序，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）。

4、首先只分析销售额的数据，不加回归项。绘序列图，输入如下程序： proc gplot data=exp7; symbol1 i=spline c=red; plot y1*date=1; run;

5、提交程序，仔细观察序列图形。 6、初步识别模型，输入如下程序： proc arima data=exp7;

25

identifu var=y1 nlag=15; run;

7、提交程序，观察y1的相关系数，发现偏相关系数是4阶截尾的，那么 我们初步识别为AR(4)模型，进行参数估计，并观察残差相关系数。输入 如下程序：

estimate p=4 plot;

run;

8、提交程序，观察输出结果，可看到模型拟合得还是比较好。

10、 然后可以实验其他一些模型，最后根据AIC和BIC准则，我们最后选定 模型为:

(1??1B??2B??3B??4B)yt?(?0??2B)at

11、 下面我们开始加入回归项，首先我们绘四个序列的图形。输入如下程序：

proc gplot data=exp7;

symbol3 i=spline c=green;

plot y1*date=3 y2*date=3 y3*date=3 y4*date=3; run;

12、 提交程序，观察这四个序列有什么特点。 13、 绘y1对y2、y3、y4的散点图，输入如下程序：

proc plot data=exp7;

plot y1*y2=’.’ y1*y3=’.’ y1*y4=’.’; run;

14、 提交程序，观察他们的相关性，可看出y1和y2负相关，y1和y3正相

关，而y1和y4好象不相关。 15、 做纯回归分析，输入如下程序：

proc arima data=exp7;

identify var=y1 crosscorr=(y2 y3 y4) noprint; estimate input=(y2 y3 y4); run;

16、 提交程序，观察输出结果，可看到y4的系数接近于零，我们除掉这一

2342 26

项再做回归，并观察残差的相关系数，输入如下程序： identify var=y1 crosscorr=(y2 y3); estimate input(y2 y3) plot; run;

17、 提交程序，观察输出结果，可看到残差不是白躁声。我们把残差用ARMA 模型拟合，输入如下程序：

identify var=y1 crosscorr=(y2 y3 y4); estimate p=4 q=3 input=(y2 y3 y4) plot; run;

18、 提交程序，观察输出结果,可以看出模型拟合比较充分，且y4、MA1,1、 AR1,3的系数接近如零，除掉这几项，再观察，输入如下程序： estimate p=(1,2,4) q=(2,3) input=(y2 y3 ) plot; run;

19、 提交程序，观察输出结果,可以看出模型拟合比较充分，且残差的标准 误和前一模型没有多大变化，且AIC 和BIC也比前一模型小，故我们 就选择这一模型，把这一结果记录下来。

20、 下面我们来看看残差对预测值,y2,y3的关系图。输入如下程序： forecast lead=0 id=date interval=week out=a noprint; run; data b; merger exp7 a; run;

proc plot data=c;

plot residual*forecast=’*’ residual*y2=’*’ residual*y3=’*’; run;

22、 提交程序，观察图形，可看出残差对y2,y3还不是十分充分，我们加入

y2,y3的滞后一阶，看结果有什么变化，输入如下程序： data d; set exp7; y21=lag(y2);

27

y31=lag(y3); run;

proc arima data=d;

identify var=y1 crosscorr=(y2 y21 y3 y31) noprint; run;

estimate p=(1,2,4) q=(2,3) input=(y2 y21 y3 y31) plot; run;

23、提交程序，观察输出结果，并与原来结果比较，看是否有进步。 24、进行预测，输入如下程序：

forecast lead=6 ; run;

25、提交程序，观察预测结果。 26、退出SAS系统，关闭计算机。 附数据：

太阳黑子年度数据(1742-1957)

1000.700 571.900 573.600 368.300 146.600 114.800 122.300 389.100 571.200 647.600 754.300 1030.200 733.800 541.400 436.200 250.900 136.900 453.900 838.100 1273.100 1209.600 979.000 797.900 417.300 367.400 84.100 237.800 1110.000 1852.400 1511.100 1017.600 817.100 461.500 273.600 122.000 289.200 994.400 1584.300 1570.900 1417.300 1078.700 799.000 720.500 562.800 492.000 255.200 192.200 76.700 48.800 81.100 173.700 408.000 540.400 516.600 569.600 506.900 337.300 120.600 97.700 30.400 .000 17.000 59.400 146.300 167.200 424.800 549.700 492.700 360.700 287.300 188.100 79.100 48.000 21.500 102.500 198.800 435.300 596.500 769.800 804.300 851.800 573.700 330.300 102.300 158.900 682.300 1457.400 1659.300 1237.800 1029.800 758.300

28

441.600 290.300 128.100 180.000 480.700 738.000 1181.500 1491.800 1150.400 798.400 774.000 650.500 468.300 246.800 80.500 51.600 273.300 657.700 1126.000 1148.300 926.000 709.300 528.200 563.400 365.700 195.500 87.100 447.500 886.800 1669.300 1334.400 1220.000 795.500 535.800 204.900 135.800 147.300 40.500 71.500 387.200 651.000 715.800 764.400 761.400 625.900 304.500 156.600 81.000 75.200 84.600 427.500 875.600 1019.200 936.100 767.600 501.400 314.900 320.600 145.300 113.500 32.900 60.300 292.600 503.400 761.600 646.300 744.400 582.500 526.600 223.000 68.400 43.100 17.300 115.100 568.400 684.800 1246.700 966.900 763.300 451.700 313.600 170.900 69.300 200.600 531.700 766.700 828.500 933.500 779.600 428.000 254.700 133.700 67.900 104.600 432.700 956.800 1372.800 1314.600 1065.000 813.400 569.700 367.200 195.900 115.100 397.100 1110.100 1798.100 1634.400 1621.400 1007.100 837.100 376.900 166.200 52.900 455.400 1700.500 2278.200 2215.100 1905.000 1347.300 646.800 451.200 334.700 122.400 180.700

美国国民收入数据(1947第一季度到1996第三季度) （顺序是横向排列）

227.8 231.7 236.1 246.3 252.6 259.9 266.8 268.1 263.0 259.5 261.2 258.9 269.6 279.3 296.9 308.4 323.2 331.1 337.9 342.3 345.3 345.9 351.7 364.2 371.0 374.5 373.7 368.7 368.4 368.7 373.4 381.9 394.8 403.1 411.4 417.8 420.5 426.0 430.8 439.2 448.1 450.1 457.2 451.7 444.4 448.6 461.8 475.0 499.0 512.0 512.5 516.9 530.3 529.2 532.2 527.3 531.8 542.4 553.2 566.3 579.0 586.9 594.1 597.7 606.8 615.3 628.2 637.5 654.5 663.4 674.3 679.9

29

701.2 713.9 730.4 752.6 775.6 785.2 798.6 812.5 822.2 828.2 844.7 861.2 886.5 910.8 926.0 943.6 966.3 979.9 999.3 1008.0 1020.3 1035.7 1053.8 1058.4 1104.2 1124.9 1144.4 1158.8 1198.5 1231.8 1256.7 1297.0 1347.9 1379.4 1404.4 1449.7 1463.9 1496.8 1526.4 1563.2 1571.3 1608.3 1670.6 1725.3 1783.5 1814.0 1847.9 1899.0 1954.5 2026.4 2088.7 2120.4 2166.8 2293.7 2356.2 2437.0 2491.4 2552.9 2629.7 2687.5 2761.7 2756.1 2818.8 2941.5 3076.6 3105.4 3197.7 3222.8 3221.0 3270.3 3287.8 3323.8 3388.2 3501.0 3596.8 3700.3 3824.4 3911.3 3975.6 4022.7 4100.4 4158.7 4238.8 4306.2 4376.6 4399.4 4455.8 4508.5 4573.1 4655.5 4731.4 4845.2 4914.5 5013.7 5105.3 5217.1 5329.2 5423.9 5501.3 5557.0 5681.4 5767.8 5796.8 5813.6 5849.0 5904.5 5959.4 6016.6 6138.3 6212.2 6281.1 6390.5 6458.4 6512.3 6584.8 6684.5 6773.6 6876.3 6977.6 7062.2 7140.5 7202.4 7293.4 7344.3 7426.6 7537.5 7593.6

化工生产过程的产量数据

（顺序是横向排列） 47 64 23 71 38 64 55 41 59 48 71 35 57 40 58 44 80 55 37 74 51 57 50 60 45 57 50 45 25 59 50 71 56 74 50 58 45 54 36 54 48 55 45 57 50 62 44 64 43 52 38 59 55 41 53 49 34 35 54 45 68 38 50 60 39 59 40 57 54 23

国际航线月度旅客数据

(1949.01-1960.12,单位:千人)（顺序是横向排列）

112 118 132 129 121 135 148 148 136 119 104 118

30

115 126 141 135 125 149 170 170 158 133 114 140 145 150 178 163 172 178 199 199 184 162 146 166 171 180 193 181 183 218 230 242 209 191 172 194 196 196 236 235 229 243 264 272 237 211 180 201 204 188 235 227 234 264 302 293 259 229 203 229 242 233 267 269 270 315 364 347 312 274 237 278 284 277 317 313 318 374 413 405 355 306 271 306 315 301 356 348 355 422 465 467 404 347 305 336 340 318 362 348 363 435 491 505 404 359 310 337 360 342 406 396 420 472 548 559 463 407 362 405 417 391 419 461 472 535 622 606 508 461 390 432

洛杉矶臭氧每小时读数的月平均值数据

31

(1955-1972) 1 2.7 0.0 0.0 0.0 2 2.0 0.0 0.0 0.0 3 3.6 0.0 0.0 0.0 4 5.0 0.0 0.0 0.0 5 6.5 0.0 0.0 0.0 6 6.1 0.0 0.0 0.0 7 5.9 0.0 0.0 0.0 8 5.0 0.0 0.0 0.0 9 6.4 0.0 0.0 0.0 10 7.4 0.0 0.0 0.0 11 8.2 0.0 0.0 0.0 12 3.9 0.0 0.0 0.0 13 4.1 0.0 0.0 0.0 14 4.5 0.0 0.0 0.0 15 5.5 0.0 0.0 0.0 16 3.8 0.0 0.0 0.0 17 4.8 0.0 0.0 0.0 18 5.6 0.0 0.0 0.0 19 6.3 0.0 0.0 0.0 20 5.9 0.0 0.0 0.0 21 8.7 0.0 0.0 0.0 22 5.3 0.0 0.0 0.0 23 5.7 0.0 0.0 0.0 24 5.7 0.0 0.0 0.0 25 3.0 0.0 0.0 0.0 26 3.4 0.0 0.0 0.0 27 4.9 0.0 0.0 0.0 28 4.5 0.0 0.0 0.0 29 4.0 0.0 0.0 0.0 30 5.7 0.0 0.0 0.0 31 6.3 0.0 0.0 0.0 32 7.1 0.0 0.0 0.0

33 8.0 0.0 0.0 0.0 34 5.2 0.0 0.0 0.0 35 5.0 0.0 0.0 0.0 36 4.7 0.0 0.0 0.0 37 3.7 0.0 0.0 0.0 38 3.1 0.0 0.0 0.0 39 2.5 0.0 0.0 0.0 40 4.0 0.0 0.0 0.0 41 4.1 0.0 0.0 0.0 42 4.6 0.0 0.0 0.0 43 4.4 0.0 0.0 0.0 44 4.2 0.0 0.0 0.0 45 5.1 0.0 0.0 0.0 46 4.6 0.0 0.0 0.0 47 4.4 0.0 0.0 0.0 48 4.0 0.0 0.0 0.0 49 2.9 0.0 0.0 0.0 50 2.4 0.0 0.0 0.0 51 4.7 0.0 0.0 0.0 52 5.1 0.0 0.0 0.0 53 4.0 0.0 0.0 0.0 54 7.5 0.0 0.0 0.0 55 7.7 0.0 0.0 0.0 56 6.3 0.0 0.0 0.0 57 5.3 0.0 0.0 0.0 58 5.7 0.0 0.0 0.0 59 4.8 0.0 0.0 0.0 60 2.7 0.0 0.0 0.0 61 1.7 1.0 0.0 0.0 62 2.0 1.0 0.0 0.0 63 3.4 1.0 0.0 0.0 64 4.0 1.0 0.0 0.0 65 4.3 1.0 0.0 0.0 66 5.0 1.0 0.0 0.0 67 5.5 1.0 0.0 0.0 68 5.0 1.0 0.0 0.0 69 5.4 1.0 0.0 0.0 70 3.8 1.0 0.0 0.0 71 2.4 1.0 0.0 0.0 72 2.0 1.0 0.0 0.0 73 2.2 1.0 0.0 0.0 74 2.5 1.0 0.0 0.0 75 2.6 1.0 0.0 0.0 76 3.3 1.0 0.0 0.0 77 2.9 1.0 0.0 0.0 78 4.3 1.0 0.0 0.0 79 4.2 1.0 0.0 0.0 80 4.2 1.0 0.0 0.0 81 3.9 1.0 0.0 0.0 82 3.9 1.0 0.0 0.0 83 2.5 1.0 0.0 0.0 84 2.2 1.0 0.0 0.0 85 2.4 1.0 0.0 0.0 86 1.9 1.0 0.0 0.0 87 2.1 1.0 0.0 0.0 88 4.5 1.0 0.0 0.0 89 3.3 1.0 0.0 0.0 90 3.4 1.0 0.0 0.0 91 4.1 1.0 0.0 0.0 92 5.7 1.0 0.0 0.0

32

93 4.8 1.0 0.0 0.0 94 5.0 1.0 0.0 0.0 95 2.8 1.0 0.0 0.0 96 2.9 1.0 0.0 0.0 97 1.7 1.0 0.0 0.0 98 3.2 1.0 0.0 0.0 99 2.7 1.0 0.0 0.0 100 3.0 1.0 0.0 0.0 101 3.4 1.0 0.0 0.0 102 3.8 1.0 0.0 0.0 103 5.0 1.0 0.0 0.0 104 4.8 1.0 0.0 0.0 105 4.9 1.0 0.0 0.0 106 3.5 1.0 0.0 0.0 107 2.5 1.0 0.0 0.0 108 2.4 1.0 0.0 0.0 109 1.6 1.0 0.0 0.0 110 2.3 1.0 0.0 0.0 111 2.5 1.0 0.0 0.0 112 3.1 1.0 0.0 0.0 113 3.5 1.0 0.0 0.0 114 4.5 1.0 0.0 0.0 115 5.7 1.0 0.0 0.0 116 5.0 1.0 0.0 0.0 117 4.6 1.0 0.0 0.0 118 4.8 1.0 0.0 0.0 119 2.1 1.0 0.0 0.0 120 1.4 1.0 0.0 0.0 121 2.1 1.0 0.0 0.0 122 2.9 1.0 0.0 0.0 123 2.7 1.0 0.0 0.0 124 4.2 1.0 0.0 0.0 125 3.9 1.0 0.0 0.0 126 4.1 1.0 0.0 0.0 127 4.6 1.0 0.0 0.0 128 5.8 1.0 0.0 0.0 129 4.4 1.0 0.0 0.0 130 6.1 1.0 0.0 0.0 131 3.5 1.0 0.0 0.0 132 1.9 1.0 0.0 0.0 133 1.8 1.0 0.0 0.0 134 1.9 1.0 0.0 0.0 135 3.7 1.0 0.0 0.0 136 4.4 1.0 0.0 0.0 137 3.8 1.0 0.0 0.0 138 5.6 1.0 1.0 0.0 139 5.7 1.0 1.0 0.0 140 5.1 1.0 1.0 0.0 141 5.6 1.0 1.0 0.0 142 4.8 1.0 1.0 0.0 143 2.5 1.0 0.0 1.0 144 1.5 1.0 0.0 1.0 145 1.8 1.0 0.0 1.0 146 2.5 1.0 0.0 1.0 147 2.6 1.0 0.0 1.0 148 1.8 1.0 0.0 1.0 149 3.7 1.0 0.0 1.0 150 3.7 1.0 1.0 0.0 151 4.9 1.0 1.0 0.0 152 5.1 1.0 1.0 0.0

33

153 3.7 1.0 1.0 0.0 154 5.4 1.0 1.0 0.0 155 3.0 1.0 0.0 1.0 156 1.8 1.0 0.0 1.0 157 2.1 1.0 0.0 1.0 158 2.6 1.0 0.0 1.0 159 2.8 1.0 0.0 1.0 160 3.2 1.0 0.0 1.0 161 3.5 1.0 0.0 1.0 162 3.5 1.0 1.0 0.0 163 4.9 1.0 1.0 0.0 164 4.2 1.0 1.0 0.0 165 4.7 1.0 1.0 0.0 166 3.7 1.0 1.0 0.0 167 3.2 1.0 0.0 1.0 168 1.8 1.0 0.0 1.0 169 2.0 1.0 0.0 1.0 170 1.7 1.0 0.0 1.0 171 2.8 1.0 0.0 1.0 172 3.2 1.0 0.0 1.0 173 4.4 1.0 0.0 1.0 174 3.4 1.0 1.0 0.0 175 3.9 1.0 1.0 0.0 176 5.5 1.0 1.0 0.0 177 3.8 1.0 1.0 0.0 178 3.2 1.0 1.0 0.0 179 2.3 1.0 0.0 1.0 180 2.2 1.0 0.0 1.0 181 1.3 1.0 0.0 1.0 182 2.3 1.0 0.0 1.0 183 2.7 1.0 0.0 1.0 184 3.3 1.0 0.0 1.0 185 3.7 1.0 0.0 1.0 186 3.0 1.0 1.0 0.0 187 3.8 1.0 1.0 0.0 188 4.7 1.0 1.0 0.0 189 4.6 1.0 1.0 0.0 190 2.9 1.0 1.0 0.0 191 1.7 1.0 0.0 1.0 192 1.3 1.0 0.0 1.0 193 1.8 1.0 0.0 1.0 194 2.0 1.0 0.0 1.0 195 2.2 1.0 0.0 1.0 196 3.0 1.0 0.0 1.0 197 2.4 1.0 0.0 1.0 198 3.5 1.0 1.0 0.0 199 3.5 1.0 1.0 0.0 200 3.3 1.0 1.0 0.0 201 2.7 1.0 1.0 0.0 202 2.5 1.0 1.0 0.0 203 1.6 1.0 0.0 1.0 204 1.2 1.0 0.0 1.0 205 1.5 1.0 0.0 1.0 206 2.0 1.0 0.0 1.0 207 3.1 1.0 0.0 1.0 208 3.0 1.0 0.0 1.0 209 3.5 1.0 0.0 1.0 210 3.4 1.0 1.0 0.0 211 4.0 1.0 1.0 0.0 212 3.8 1.0 1.0 0.0

34

213 3.1 1.0 1.0 0.0 214 2.1 1.0 1.0 0.0 215 1.6 1.0 0.0 1.0 216 1.3 1.0 0.0 1.0 217 *** 1.0 0.0 1.0 218 *** 1.0 0.0 1.0 219 *** 1.0 0.0 1.0 220 *** 1.0 0.0 1.0 221 *** 1.0 0.0 1.0 222 *** 1.0 1.0 0.0 223 *** 1.0 1.0 0.0 224 *** 1.0 1.0 0.0 225 *** 1.0 1.0 0.0 226 *** 1.0 1.0 0.0

227 *** 1.0 0.0 1.0 228 *** 1.0 0.0 1.0

煤气炉数据（每9秒取样，共296对观察值）

第一个为输入煤气速度（立方米/秒），第二个为排出煤气的co2的比例。 （顺序是横向排列）

-0.109 53.8 0.000 53.6 0.178 53.5 0.339 53.5 0.373 53.4 0.441 53.1 0.461 52.7 0.348 52.4 0.127 52.2 -0.180 52.0 -0.588 52.0 -1.055 52.4 -1.421 53.0 -1.520 54.0 -1.302 54.9 -0.814 56.0 -0.475 56.8 -0.193 56.8 0.008 56.4 0.435 55.7 0.771 55.0 0.866 54.3 0.875 53.2 0.891 52.3 0.987 51.6 1.263 51.2 1.775 50.8 1.976 50.5 1.934 50.0 1.866 49.2 1.832 48.7 1.767 47.9 1.608 47.6 1.265 47.5 0.790 47.5 0.360 47.6 0.115 48.1 0.088 49.0 0.331 50.0 0.645 51.1 0.490 51.8 1.409 51.9 2.670 51.7 2.834 51.2 2.812 50.0 2.483 48.3 1.929 47.0 1.785 45.8 1.214 45.6 1.239 46.0 1.608 46.9 1.905 47.8 1.012 48.2 1.815 48.3 0.535 47.9 0.122 47.2 0.009 47.2 0.164 48.1 0.671 49.4 1.019 50.6 1.146 51.5 1.115 51.6 1.112 51.2 1.121 50.5 1.223 50.1 1.257 49.8 1.157 49.6 0.913 49.4 0.620 49.3 0.255 49.2 -0.280 49.3 -1.080 49.7 -1.551 50.3 -1.799 51.3 -1.825 52.8 -1.456 54.4 -0.944 56.0 -0.570 56.9 -0.431 57.5 -0.577 57.3 -0.960 56.6 -1.616 56.0 -1.875 55.4 -1.891 55.4 -1.746 56.4 -1.474 57.2 -1.201 58.0 -0.927 58.4 -0.524 58.4 0.040 58.1 0.788 57.7 0.943 57.0 0.930 56.0 1.006 54.7 1.137 53.2 1.198 52.1 1.054 51.6 0.595 51.0 -0.080 50.5 -0.314 50.4 -0.288 51.0 -0.135 51.8 -0.109 52.4 -0.187 53.0 -0.255 53.4 -0.229 53.6 -0.007 53.7 0.254 53.8

35

0.330 53.8 0.102 53.8 -0.423 53.6 -1.139 53.0 -2.275 52.9 -2.594 53.4 -2.716 54.6 -2.510 56.4 -1.790 58.0 -1.346 59.4 -1.081 60.2 -0.910 60.0 -0.876 59.4 -0.885 58.4 -0.800 57.6 -0.544 56.9 -0.416 56.4 -0.271 56.0 0.000 55.7 0.403 55.3 0.841 55.0 1.285 54.4 1.607 53.7 1.746 52.8 1.683 51.6 1.485 50.6 0.993 49.4 0.648 48.8 0.577 48.5 0.577 48.7 0.632 49.2 0.747 49.8 0.900 50.4 0.993 50.7 0.968 50.9 0.790 50.7 0.399 50.5 -0.161 50.4 -0.553 50.2 -0.603 50.4 -0.424 51.2 -0.194 52.3 -0.049 53.2 0.060 53.9 0.161 54.1 0.301 54.0 0.517 53.6 0.566 53.2 0.560 53.0 0.573 52.8 0.592 52.3 0.671 51.9 0.993 51.6 1.337 51.6 0.460 51.4 1.353 51.2 0.772 50.7 0.218 50.0 -0.237 49.4 -0.714 49.3 -1.099 49.7 -1.269 50.6 -1.175 51.8 -0.676 53.0 0.033 54.0 0.556 55.3 0.643 55.9 0.484 55.9 0.109 54.6 -0.310 53.5 -0.697 52.4 -1.047 52.1 -1.218 52.3 -1.183 53.0 -0.873 53.8 -0.336 54.6 0.063 55.4 0.084 55.9 0.000 55.9 0.001 55.2 0.209 54.4 0.556 53.7 0.782 53.6 0.858 53.6 0.918 53.2 0.862 52.5 0.416 52.0 -0.336 51.4 -0.959 51.0 -1.813 50.9 -2.378 52.4 -2.499 53.5 -2.473 55.6 -2.330 58.0 -2.053 59.5 -1.739 60.0 -0.261 60.4 -0.569 60.5 -0.137 60.2 -0.024 59.7 -0.050 59.0 -0.135 57.6 -0.276 56.4 -0.534 55.2 -0.871 54.5 -1.243 54.1 -1.439 54.1 -1.422 54.4 -1.175 55.5 -0.813 56.2 -0.634 57.0 -0.582 57.3 -0.625 57.4 -0.713 57.0 -0.848 56.4 -1.039 55.9 -1.346 55.5 -1.628 55.3 -1.619 55.2 -1.049 55.4 -0.488 56.0 -0.160 56.5 -0.007 57.1 -0.092 57.3 -0.620 56.8 -1.086 55.6 -1.525 55.0 -1.868 54.1 -2.029 54.3 -2.024 55.3 -1.961 56.4 -1.952 57.2 -1.794 57.8 -1.302 58.3 -1.030 58.6 -0.918 58.8 -0.798 58.8 -0.867 58.6 -1.047 58.0 -1.123 57.4 -0.876 57.0 -0.395 56.4 0.185 56.3 0.662 56.4 0.709 56.4 0.605 56.0 0.501 55.2 0.603 54.0 0.943 53.0 1.223 52.0 1.249 51.6 0.824 51.6 0.102 51.1 0.025 50.4 0.382 50.0 0.922 50.0 1.032 52.0 0.866 54.0 0.527 55.1 0.093 54.5 -0.458 52.8 -0.748 51.4 -0.947 50.8 -1.029 51.2 -0.928 52.0 -0.645 52.8 -0.424 53.8 -0.276 54.5 -0.158 54.9 -0.033 54.9 0.102 54.8 0.251 54.4 0.280 53.7 0.000 53.3 -0.493 52.8 -0.759 52.6 -0.824 52.6 -0.740 53.0 -0.528 54.3 -0.204 56.0

36

0.034 57.0 0.204 58.0 0.253 58.6 0.195 58.5 0.131 58.3 0.017 57.8 -0.182 57.3 -0.262 57.0

芝加哥某食品公司大众食品周销售数据

(从1991年9月14日开始，156周的观察值,1销售额的对数,2平均促销价格,3形象广告费所占的百分比,4摆设费所占的百分比,顺序是横向排列）

14.8210 2.9300 13.7800 13.4600 14.7889 2.9500 20.6600 13.3500 14.7754 2.9500 19.1000 12.5100 14.8893 2.9200 19.2500 12.8800 14.8174 2.9800 23.9500 13.8000 14.7597 3.0400 17.7800 15.1600 14.6976 3.0200 19.9400 15.2400 14.7392 2.9700 13.4900 14.3700 14.7496 3.0000 15.5700 14.3300 14.7015 2.9400 10.4400 13.4300 14.7776 2.9200 30.3900 13.3900 14.5642 2.9400 8.3800 15.6900 14.7373 2.8800 16.2100 12.3700 14.7409 2.9400 16.3300 11.8700 14.8448 2.8800 29.1500 10.9700 14.6393 2.8900 14.3100 12.7800 14.7965 2.9400 11.3900 11.3200 14.8169 2.9300 9.5900 11.2800 14.8580 2.8900 17.8000 11.1900 14.8189 2.9000 31.3300 11.8500 14.7323 2.9400 8.6200 16.0800 14.7936 2.8900 11.1000 16.0100 14.7441 2.8700 18.3200 13.5400 14.7228 2.8700 20.5200 13.0000 14.7558 2.8400 16.6900 12.9700 14.8914 2.7300 25.6900 11.9800 14.8093 2.7600 16.6700 12.4100 14.7925 2.7200 20.7700 11.3800 14.7745 2.5900 18.9900 12.9700 14.8208 2.7200 18.7800 12.2300 14.7782 2.7600 19.8700 12.8100 14.7674 2.8300 22.3200 11.9500 14.6145 2.8100 19.2200 11.4800 14.7827 2.7600 18.1300 10.5400 14.8387 2.6900 19.3300 10.2700 14.8233 2.6300 18.1700 11.4500 14.9595 2.5800 35.0200 11.4300 14.8211 2.6600 15.5800 16.0500 14.9772 2.5400 18.2500 16.9800 14.8735 2.6600 18.8400 16.2400 14.8821 2.5200 22.8900 14.0700 14.9446 2.5200 21.4000 14.1100 15.1547 2.4600 30.3300 13.3000 14.9441 2.6200 18.2600 15.3200 14.9237 2.5800 22.7000 13.9200 14.8258 2.6400 17.1600 13.3800 14.8892 2.6000 18.2200 11.3700 14.9503 2.5700 19.7500 11.5800

37

14.9560 2.5400 15.8400 12.3500 14.9085 2.5800 18.2700 12.3300 15.0672 2.4900 24.6200 13.6800 15.1724 2.4300 27.1300 11.9200 15.0677 2.5000 19.2200 14.3300 14.8786 2.5700 18.6100 11.5000 14.8073 2.5900 16.8600 12.5200 14.8376 2.6000 15.3300 13.0200 14.9337 2.5000 14.6200 12.5200 14.8577 2.5600 18.7500 13.6700 14.8037 2.5900 18.4400 14.4100 14.8120 2.6000 12.5600 14.9800 14.9186 2.6400 21.3900 14.5900 14.8682 2.6300 17.2300 15.0100 14.8977 2.6400 31.2800 14.9700 14.7611 2.6800 18.1500 15.6800 14.7970 2.6500 17.2700 14.3300 14.9321 2.5400 20.4400 14.0500 14.8893 2.6100 27.0100 13.0000 14.7966 2.6800 18.1300 14.2100 14.7206 2.7200 9.5700 14.4700 14.8192 2.7700 12.4400 13.1100 14.7800 2.7600 13.4700 12.4800 14.7848 2.7500 16.5100 11.4600 14.8993 2.5700 28.0400 13.6200 14.8310 2.6500 15.7200 14.9000 14.7909 2.6900 15.3600 13.4300 14.8034 2.6500 18.7200 14.6200 14.8017 2.6400 19.8400 14.3200 14.8505 2.6100 22.0100 13.0300 14.8459 2.6400 13.5100 13.1800 14.8043 2.5600 16.2700 11.7200 14.7622 2.5600 18.1100 11.0100 14.7920 2.5200 16.5900 10.2600 14.8354 2.6400 25.6600 12.1600 14.7171 2.6400 20.2000 13.2500 14.7420 2.6600 18.8400 12.6400 14.7348 2.6600 17.9500 11.5900 14.8601 2.5200 18.3100 11.6200 14.8437 2.5300 18.0700 11.3400 14.8282 2.5500 18.6300 12.2500 15.0078 2.4300 26.7000 11.8400 14.9755 2.5500 23.6100 14.1600 14.9423 2.5800 17.7300 14.4100 14.9352 2.5800 19.9700 13.1300 14.9517 2.5000 19.6600 12.6000 15.1575 2.3700 30.2800 14.2900 15.0770 2.4900 19.1300 13.8500 14.9513 2.5300 13.6600 12.6800 14.9337 2.5800 20.4100 10.8200 14.8682 2.6300 17.7800 12.1900 14.9835 2.5600 22.2800 10.5600 15.0123 2.5000 20.9800 12.3700 14.9202 2.5300 19.0700 11.7300 14.9606 2.4400 19.4100 11.0800 15.1498 2.3700 30.1200 9.1600 15.0317 2.5000 27.7600 11.5700 14.9730 2.3500 14.6600 12.0300 14.7945 2.5600 15.5800 12.4500 14.8359 2.4700 15.0800 12.1700

38

14.8653 2.5600 16.4200 13.1000 14.8833 2.5300 22.9000 10.9900 14.8953 2.5000 24.8300 12.1600 14.7631 2.5500 14.2100 12.8000 14.8488 2.5800 16.6300 10.0000 14.8791 2.4900 16.4600 11.0000 14.8701 2.5900 27.6500 11.7400 14.7346 2.6400 16.0200 11.8200 14.7575 2.4800 12.0800 11.4400 14.9268 2.5700 19.9200 10.3400 14.8869 2.5900 21.8700 10.2700 14.8231 2.5900 15.8700 10.1100 14.7500 2.5300 14.1300 10.5400 14.9234 2.5800 16.5200 8.8500 14.9146 2.6200 14.0700 8.7600 14.9220 2.5400 16.6600 9.1300 15.0450 2.3900 30.3200 9.4500 14.9486 2.4500 26.9200 12.9900 14.9427 2.5000 14.2200 12.2200 14.8152 2.6000 16.4400 12.0700 14.7874 2.5600 20.9700 9.3800 14.9369 2.4900 21.6800 10.9400 14.8665 2.5400 15.4800 10.2400 14.8681 2.4700 22.1700 10.3400 14.8094 2.5500 23.4700 9.8800 14.8525 2.6300 24.4400 11.9000 14.8294 2.5900 17.8700 11.6900 14.8401 2.6100 16.4000 11.0400 14.7801 2.5800 18.2700 9.8200 14.7622 2.6100 15.3200 9.2100 14.8645 2.5000 18.6300 8.4300 14.8404 2.6000 15.3100 9.4500 14.9135 2.5000 20.3600 10.2300 15.1275 2.4100 35.9600 10.5900 15.0412 2.4900 26.3900 13.3000 14.9575 2.5600 16.9500 13.2000 14.9501 2.5400 19.3200 10.9400 15.0220 2.4200 22.9200 12.0600 15.1709 2.3400 30.8100 13.1800 15.0843 2.5200 23.8100 14.4700 15.0018 2.5400 16.5100 12.7000 14.9153 2.5700 15.0000 11.0600 14.9240 2.5200 17.5500 9.8900 14.9744 2.5900 24.9200 9.3100 14.9697 2.5800 16.2900 9.2000 14.9889 2.4300 21.2200 7.3100 14.9256 2.4900 19.5900 10.3500 15.1331 2.3300 33.9700 9.1700

牙膏市场占有率周数据

(从1958年1月到1963年4月，1960年8月,1是观察秩序，2是crest牙膏市场占有率, 3是

colgate牙膏市场占有率 ,4是crest牙膏价格5是colgate牙膏价格) 1 0.108 0.424 2.070 2.050 2 0.166 0.482 2.170 2.100

39

3 0.126 0.428 2.170 2.040 4 0.115 0.397 2.070 1.960 5 0.119 0.352 2.120 2.060 6 0.176 0.342 2.050 2.010 7 0.155 0.434 2.100 2.030 8 0.118 0.445 2.070 2.090 9 0.136 0.428 2.100 2.010 10 0.137 0.395 2.140 2.040 11 0.124 0.354 2.120 2.030 12 0.131 0.497 2.050 2.070 13 0.120 0.425 2.070 2.030 14 0.133 0.401 2.120 2.040 15 0.067 0.363 2.160 2.100 16 0.086 0.341 2.170 2.060 17 0.140 0.464 2.140 2.060 18 0.122 0.431 2.010 2.010 19 0.105 0.405 2.020 1.990 20 0.079 0.460 2.100 2.010 21 0.130 0.410 2.120 2.060 22 0.142 0.423 2.130 1.940 23 0.120 0.310 2.160 2.110 24 0.115 0.413 2.090 2.050 25 0.103 0.411 2.150 2.050 26 0.078 0.452 2.110 2.050 27 0.093 0.405 2.110 2.040 28 0.086 0.290 2.050 2.020 29 0.099 0.342 2.110 2.030 30 0.078 0.311 2.170 2.030 31 0.095 0.327 2.110 2.030 32 0.094 0.413 2.070 2.040 33 0.056 0.400 2.160 1.990 34 0.050 0.380 2.010 1.940 35 0.065 0.371 2.210 2.050 36 0.091 0.344 2.080 2.090 37 0.094 0.345 2.080 2.030 38 0.124 0.363 2.120 2.070 39 0.153 0.392 2.030 2.090 40 0.078 0.379 2.140 2.070 41 0.114 0.349 2.040 2.070 42 0.088 0.337 2.170 2.100 43 0.165 0.235 2.090 2.040 44 0.160 0.250 2.110 2.000 45 0.075 0.360 2.000 2.030 46 0.118 0.282 1.950 2.060 47 0.100 0.257 2.140 2.120 48 0.102 0.345 2.090 1.990 49 0.131 0.344 2.090 2.060 50 0.148 0.358 2.030 2.110 51 0.137 0.322 2.070 2.020 52 0.090 0.332 2.170 1.990 53 0.088 0.315 2.010 2.050 54 0.172 0.316 1.940 2.010 55 0.111 0.341 2.080 2.060 56 0.097 0.387 2.170 2.130 57 0.098 0.402 2.070 2.050 58 0.090 0.347 2.180 2.120 59 0.127 0.414 1.960 2.000 60 0.116 0.426 2.140 2.030 61 0.137 0.322 2.110 2.030 62 0.111 0.372 2.110 2.050

40

63 0.107 0.381 2.100 2.000 64 0.097 0.339 2.140 2.050 65 0.134 0.405 2.100 2.040 66 0.160 0.304 2.060 2.030 67 0.147 0.439 2.130 1.990 68 0.104 0.336 1.990 2.080 69 0.128 0.405 2.070 2.000 70 0.128 0.359 1.960 2.020 71 0.165 0.379 2.020 1.980 72 0.184 0.303 1.920 2.030 73 0.172 0.340 1.860 1.930 74 0.207 0.312 1.900 2.020 75 0.221 0.291 1.890 1.960 76 0.159 0.259 2.010 2.010 77 0.198 0.342 1.930 2.030 78 0.197 0.458 1.880 1.990 79 0.251 0.275 1.920 2.070 80 0.146 0.340 1.940 2.030 81 0.133 0.385 2.010 1.980 82 0.243 0.338 1.940 1.990 83 0.192 0.370 1.940 1.990 84 0.150 0.290 1.920 2.020 85 0.221 0.325 1.890 2.100 86 0.183 0.337 2.020 2.040 87 0.136 0.338 2.010 1.940 88 0.206 0.323 1.970 2.060 89 0.127 0.357 1.970 1.950 90 0.139 0.381 1.890 2.060 91 0.189 0.371 2.030 1.970 92 0.194 0.294 2.030 2.060 93 0.114 0.384 1.980 2.020 94 0.229 0.286 1.970 2.030 95 0.148 0.335 2.020 2.050 96 0.155 0.310 2.030 2.000 97 0.106 0.304 2.060 2.000 98 0.156 0.305 2.100 1.990 99 0.053 0.403 2.070 1.980 100 0.112 0.365 1.860 1.990 101 0.084 0.305 1.990 1.930 102 0.191 0.172 2.010 1.990 103 0.149 0.321 2.070 1.970 104 0.143 0.343 2.110 2.070 105 0.094 0.354 2.080 1.970 106 0.184 0.316 2.080 1.990 107 0.205 0.292 2.080 1.860 108 0.206 0.305 2.070 2.030 109 0.191 0.294 2.130 2.000 110 0.195 0.289 2.100 1.950 111 0.179 0.301 2.080 1.940 112 0.272 0.304 2.090 2.020 113 0.203 0.306 2.090 1.940 114 0.165 0.405 2.050 2.010 115 0.138 0.344 2.020 1.870 116 0.216 0.353 2.100 1.970 117 0.132 0.383 1.990 1.900 118 0.120 0.349 2.110 2.030 119 0.083 0.374 2.180 2.000 120 0.118 0.411 2.070 1.940 121 0.125 0.287 2.090 2.050 122 0.109 0.420 2.030 1.970

41

123 0.119 0.470 2.010 2.020 124 0.154 0.354 2.080 1.980 125 0.122 0.392 2.090 2.090 126 0.126 0.421 1.980 1.980

127 0.126 0.435 2.020 2.050 128 0.130 0.424 2.080 2.030 129 0.158 0.344 2.080 1.970 130 0.141 0.369 2.030 1.990 131 0.145 0.364 2.020 1.950 132 0.127 0.386 2.090 2.060 133 0.171 0.406 2.040 1.980 134 0.152 0.439 1.960 2.030 135 0.211 0.345 1.960 2.060 136 0.309 0.291 2.050 2.050 137 0.242 0.292 1.980 1.960 138 0.380 0.249 1.940 2.060 139 0.362 0.283 1.970 1.940 140 0.328 0.301 2.000 2.030 141 0.359 0.280 2.020 1.960 142 0.352 0.251 1.960 2.090 143 0.322 0.303 2.030 1.980 144 0.333 0.274 2.000 1.990 145 0.365 0.328 1.980 1.960 146 0.367 0.244 1.960 2.050 147 0.305 0.323 1.900 1.950 148 0.298 0.288 1.980 2.030 149 0.307 0.293 1.990 1.990 150 0.318 0.321 1.980 2.000 151 0.280 0.330 1.970 1.940 152 0.298 0.273 1.980 2.030 153 0.336 0.304 1.940 1.970 154 0.339 0.292 1.930 2.020 155 0.344 0.251 2.000 2.050 156 0.310 0.350 2.030 1.970 157 0.317 0.302 1.950 2.030 158 0.369 0.306 1.960 1.930 159 0.320 0.272 1.980 1.980 160 0.290 0.296 2.050 2.060 161 0.361 0.265 1.970 1.950 162 0.235 0.364 2.010 2.050 163 0.320 0.284 1.950 2.000 164 0.337 0.330 1.890 2.060 165 0.289 0.351 1.940 2.050 166 0.339 0.336 2.000 1.970 167 0.187 0.383 2.010 2.040 168 0.414 0.214 1.930 2.000 169 0.373 0.260 2.000 1.980 170 0.265 0.298 2.010 1.950 171 0.316 0.248 1.890 1.950 172 0.245 0.308 1.930 1.910 173 0.328 0.356 1.830 2.000 174 0.368 0.278 1.900 1.940 175 0.287 0.314 1.850 2.010 176 0.369 0.214 1.930 1.980 177 0.406 0.253 1.950 1.860 178 0.316 0.287 1.930 1.990 179 0.362 0.238 1.950 1.950 180 0.308 0.253 1.920 2.000 181 0.286 0.336 1.900 1.950 182 0.420 0.255 1.880 1.890

42

183 0.299 0.249 1.880 1.990 184 0.383 0.195 1.840 2.040 185 0.354 0.269 2.030 1.960 186 0.418 0.201 1.970 1.930 187 0.425 0.184 1.940 1.920 188 0.445 0.203 1.870 1.970 189 0.408 0.193 1.910 2.010 190 0.282 0.322 1.850 1.920 191 0.410 0.261 1.780 1.960 192 0.425 0.183 1.830 1.950 193 0.358 0.289 1.840 1.860 194 0.393 0.243 1.810 1.920 195 0.375 0.302 1.890 1.920 196 0.273 0.350 1.880 1.890 197 0.237 0.401 1.810 2.000 198 0.331 0.332 1.830 1.960 199 0.335 0.351 1.900 1.930 200 0.395 0.280 1.870 1.990 201 0.357 0.308 1.900 1.970 202 0.296 0.299 1.930 2.000 203 0.307 0.199 1.900 1.990 204 0.390 0.283 1.720 1.960 205 0.298 0.333 1.890 1.870 206 0.381 0.233 1.850 1.930 207 0.354 0.296 1.850 1.970 208 0.436 0.267 1.960 2.000 209 0.357 0.253 1.880 1.950 210 0.427 0.239 1.760 2.000 211 0.432 0.155 1.800 2.000 212 0.450 0.247 1.730 1.990 213 0.530 0.201 1.670 1.840 214 0.431 0.266 1.720 1.930 215 0.420 0.290 1.760 1.910 216 0.411 0.231 1.760 1.940 217 0.423 0.255 1.800 1.980 218 0.433 0.242 1.720 1.940 219 0.393 0.271 1.870 1.950 220 0.389 0.266 1.800 1.860 221 0.387 0.244 1.850 1.910 222 0.439 0.204 1.710 1.900 223 0.421 0.213 1.740 1.870 224 0.363 0.295 1.860 1.880 225 0.401 0.254 1.880 1.860 226 0.394 0.242 1.780 1.950 227 0.459 0.228 1.740 1.930 228 0.441 0.181 1.830 1.880 229 0.388 0.264 1.820 1.840 230 0.373 0.277 1.820 1.850 231 0.385 0.284 1.800 1.800 232 0.314 0.248 1.870 1.880 233 0.347 0.280 1.920 1.860 234 0.408 0.249 1.910 1.820 235 0.341 0.279 1.750 1.850 236 0.361 0.282 1.900 1.820 237 0.414 0.267 1.820 1.860 238 0.380 0.252 1.770 1.810 239 0.274 0.190 1.850 1.790 240 0.352 0.284 1.830 1.770 241 0.439 0.207 1.830 1.760 242 0.355 0.327 1.890 1.780

43

243 0.435 0.259 1.870 1.730 244 0.408 0.286 1.900 1.680 245 0.383 0.275 1.810 1.690 246 0.357 0.244 1.830 1.790 247 0.374 0.341 1.850 1.680 248 0.366 0.331 1.780 1.760 249 0.346 0.250 1.790 1.730 250 0.381 0.220 1.750 1.740 251 0.329 0.293 1.880 1.740 252 0.474 0.205 1.710 1.740 253 0.397 0.254 1.800 1.780 254 0.436 0.268 1.790 1.760 255 0.417 0.211 1.660 1.820 256 0.430 0.203 1.740 1.660 257 0.388 0.271 1.630 1.810 258 0.453 0.290 1.730 1.760 259 0.316 0.323 1.750 1.820 260 0.414 0.253 1.790 1.680 261 0.396 0.230 1.720 1.830 262 0.420 0.220 1.840 1.740 263 0.432 0.235 1.840 1.710 264 0.453 0.228 1.820 1.700 265 0.430 0.216 1.820 1.680 266 0.327 0.324 1.730 1.700 267 0.388 0.268 1.750 1.670 268 0.377 0.257 1.850 1.770 269 0.466 0.194 1.650 1.750 270 0.478 0.212 1.790 1.590 271 0.365 0.218 1.810 1.720 272 0.472 0.216 1.660 1.640 273 0.399 0.276 1.760 1.740 274 0.391 0.190 1.710 1.800 275 0.473 0.249 1.760 1.810 276 0.384 0.172 1.810 1.670

某公司汽车生产数据 （顺序是横向排列）

1715 1825 1700 1770 2000 1690 2070 1825 1725 2090 1975 1505 1925 1430 1990 1680 1750 1940 2070 1915 1860 1950 2050 1110 1540 1050 1500 1580 1830 1790 1470 2100 1960 1880 1900 2005 1860 2040 2070 1960 2035 1560 1880 1900 1525 1600 2500 2460 2200 2405 2365 2375 2225 2030 2300 2380 1940 2480 2365 2280 1895 2520 2680 2205 2330 2345 1840 1875 2370 2160 2200 2275 2170 2400 2250 2395 2325 2300 2155 2230 2240 2570 2325 2355 2090

加拿大山猫数据(1821年至1934年)

1821 269 1822 321 1823 585 1824 871 1825 1475 1826 2821 1827 3928 1828 5943 1829 4950 1830 2577

44

1831 523 1832 98 1833 184 1834 279 1835 409 1836 2285 1837 2685 1838 3409 1839 1824 1840 409 1841 151 1842 45 1843 68 1844 213 1845 546 1846 1033 1847 2129 1848 2536 1849 957 1850 361 1851 377 1852 225 1853 360 1854 731 1855 1638 1856 2725 1857 2871 1858 2119 1859 684 1860 299 1861 236 1862 245 1863 552 1864 1623 1865 3311 1866 6721 1867 4254 1868 687 1869 255 1870 473 1871 358 1872 784 1873 1594 1874 1676 1875 2251 1876 1426 1877 756 1878 299 1879 201 1880 229 1881 469 1882 736 1883 2042 1884 2811 1885 4431 1886 2511 1887 389 1888 73 1889 39 1890 49 1891 59 1892 188 1893 377 1894 1292 1895 4031 1896 3495 1897 587 1898 105 1899 153 1900 387 1901 758 1902 1307 1903 3465 1904 6991 1905 6313 1906 3794 1907 1836 1908 345 1909 382 1910 808 1911 1388 1912 2713 1913 3800 1914 3091 1915 2985 1916 3790 1917 674 1918 81 1919 80 1920 108 1921 229 1922 399 1923 1132 1924 2432 1925 3574 1926 2935 1927 1537 1928 529 1929 485 1930 662 1931 1000 1932 1590 1933 2657 1934 3396

45

本文来源：https://www.bwwdw.com/article/kkdr.html