（9）pdweights语句
用来指定星期一到星期七的权重值，只能用于月度数据。选项格式为：星期几=权重值。这些权重值是用来计算先验交易日因子，而先验交易日因子是在季节调整过程之前对原始序列进行修正的。只需给出相对权重，X11过程会自动调整到相加之和为7。例如： pdweights sun=0.1 mon=0.9 tue=1 wed=1 thu=1 fri=0.7 sat=0.3; （10）tables语句
tables语句用来指定打印一些额外表格。例如，如果省略选项printout=，下面语句只打印最终季节因子和最终季节调整过的序列。
tables d10 d11;
（11）output语句
用来生成包含指定表格的输出数据集，输出数据集名由选项out=给出。对每一张要进入输出数据集的表格，由选项：表格名=新变量名列表，来指定。下面是一个var语句和output语句的示例：
var z1 z2 z3;
output out=out_x11 b1=x1 d11=t1 t2 t3;
首先var语句指定输入数据集中三个数值型变量z1、z2和z3分别进行季节调整过程分析。选项b1=x1指定对变量z1进行分析，结果b1
表格存入到新变量x1中；选项d11=t1 t2 t3指定对三个数值变量z1、z2、z3进行分析，三个结果b11表格分别存入到新变量t1、t2、t3中。 例1对1993－2005年中国社会消费品96个月份零售总额的时间序列数据：
1月 2月 3月 4月 5月 6月 7月 8月 9月 10月 11月 12月 1993年 977.5 892.5 942.3 941.3 962.2 1005.7 963.8 959.8 1023.3 1051.1 1102.0 1415.5 1994年 1192.2 1162.7 1167.5 1170.4 1213.7 1281.1 1251.5 1286.0 1396.2 1444.1 1553.8 1932.2 1995年 1602.2 1491.5 1533.3 1548.7 1585.4 1639.7 1623.6 1637.1 1756.0 1818.0 1935.2 2389.5 1996年 1909.1 1911.2 1860.1 1854.8 1898.3 1966.0 1888.7 1916.4 2083.5 2148.3 2290.1 2848.6 1997年 2288.5 2213.5 2130.9 2100.5 2108.2 2164.7 2102.5 2104.4 2239.6 2348.0 2454.9 2881.7 1998年 2549.5 2306.4 2279.7 2252.7 2265.2 2326.0 2286.1 2314.6 2443.1 2536.0 2652.2 3131.4 1999年 2662.1 2538.4 2403.1 2356.8 2364.0 2428.8 2380.3 2410.9 2604.3 2743.9 2781.5 3405.7 2000年 2774.7 2805.0 2627.0 2572.0 2637.0 2645.0 2597.0 2636.0 2854.0 3029.0 3108.0 3680.0 使用X11过程进行季节调整，假设先不考虑日历效应和不需要对数据进行任何预先的调整。由于没有交易日的影响，我们考虑使用乘法模型xt=TtStεt. 代码：
data sales;
input sales @@;
date = intnx( 'month', '01jan1993'd, _n_-1 ); format date monyy5.; datalines;
977.5 892.5 942.3 941.3 962.2 1005.7 963.8 959.81023.3 1051.1 1102 1415.5
1192.2 1162.7 1167.5 1170.4 1213.7 1281.11251.5 1286 1396.2 1444.1 1553.8 1932.2 1602.2 1491.5 1533.3 1548.7 1585.4 1639.71623.6 1637.1 1756 1818 1935.2 2389.5 1909.1 1911.2 1860.1 1854.8 1898.3 1966
1888.7 1916.4 2083.5 2148.3 2290.1 2848.6 2288.5 2213.5 2130.9 2100.5 2108.2 2164.7 2102.5 2104.4 2239.6 2348 2454.9 2881.7
2549.5 2306.4 2279.7 2252.7 2265.2 2326 2286.1 2314.6 2443.1 2536 2652.2 3131.4
2662.1 2538.4 2403.1 2356.8 2364 2428.8
2380.3 2410.9 2604.3 2743.9 2781.5 3405.7
2774.7 2805 2627 2572 2637 2645 2597 2636 2854 3029 3108 3680
; run;
procx11 data=sales; monthly date=date; var sales; arimamaxit=60; tables d11;
output out=out b1=series d10=season d11=adjusted d12=trend d13=irr;
procprintdata=out; run ;
title'Monthly Retail Sales Data'; procsgplotdata=out;
seriesx=date y=series / markers
markerattrs=(color=red symbol='asterisk') lineattrs=(color=red) legendlabel=\ ;
seriesx=date y=adjusted / markers
markerattrs=(color=blue symbol='circle') lineattrs=(color=blue) legendlabel=\ ;
yaxislabel='Original and Seasonally Adjusted Time Series';
run;
title'Monthly Seasonal Factors (in percent)'; procsgplotdata=out;
seriesx=date y=season /
markersmarkerattrs=(symbol=CircleFilled) ;
run;
title'Monthly Retail Sales Data (in $1000)'; procsgplotdata=out; seriesx=date y=trend /
markersmarkerattrs=(symbol=CircleFilled) ;
run;
title'Monthly Irregular Factors (in percent)';
procsgplotdata=out; seriesx=date y=irr /
markersmarkerattrs=(symbol=CircleFilled) ;
run; 运行结果及说明：
日期变量date从intnx()函数获得从1993年1月1日开始每过一个月的时间。
intnx()函数有3个参数：参数1是指定等时间间隔’month’，还可以取’day’、’week’、’quarter’、’year’等；参数2指定参照时间’01jan1993’；参数3是指定开始的时间指针_n_k，k为整数。k取正值（负值），开始时间为参照时间向未来（过去）拨k期。
调用季节调整X11过程之前，应该先绘制原始时间序列的散点图（略，见后面原始序列与调整序列对比图），直观判断一下是否存在确定性季节波动，以便确定能否调用X11过程。如果的确存在季节性波动，还需要判断一下季节性的时间周期为月份还是季节。
本例是月度数据，必须要用monthly date=date语句。
X11 过程
季节调整 - sales X-11 季节调整程序 美国人口普查局 经济研究和分析部门 1968 年 11 月 1 日 X-11 程序分为七大部分。 部分 说明 A. 先验调整（若有） B. 不规则成分权重 和回归交易日因子的初步估计值 C. 上述统计量的最终估计值 D. 季节、趋势周期和不规则成分 的最终估计值 E. 分析表 F. 汇总测度 G. 图 序列 - sales 涉及的期间 - 1/1993 至 12/2000 运行的类型: 乘法季节调整。 Selected Tables or Charts. 毕业极值的 Sigma 限制是 1.5 和 2.5 已排除那些超出 2.5-sigma 限制的不规则值 从交易日回归 概述表 arima语句的作用是把时间序列延长，使得序列尾部可以使用对称移动平均方法，用以解决减少对序列尾部的更正。对时间序列延长的模型，从五个预先定义的模型中择优采用（也可以用 model=来自己定义）。参数maxit=60指定估计过程最多允许迭代60次，特别是对于高阶arima模型，缺省值最多允许迭代15次可能不够。
Conditional Least Squares Estimation 参数 MU 估计值 近似标准误差 t 值 滞后 0.6258994 4.4939186 0.14 0.2597677 0.20 0 1 MA1,1 0.0511338