这位哥们，你没懂我意思。
而且你的变量中没有时间变量啊!可能是我懂得少，时间序列也是自学的。就把知道的告你，参考参考吧！！！
首先你要知道p,q的含义。意思如下：
p=(p1,p2,....)...(p1,p2...)---定义一个在p中指定的泄后处具有自回归参数的模型，p的默认值为零。
q=(q1,q2,...)...(q1,q2)----定义一个在q中指定的泄后处具有滑动平均参数的模型。
如果二者没指定，说明是拟合随机模型。
对于时间序列的问题。
1首先要对平稳性和季节性的识别。
proc arima data=copper.cu_day_oneyear2;
identify  var=log_close_sh;
run;
会输出有关时间序列变量log_close_sh的自相关系数ACF和ACF图；
通过观察ACF图和ACF的值观察数据呈现每隔n个时间单位为一个周期的季节性。

2接下来将原始的时间序列和消除增幅的时间序列按所得出的相隔n时间单位的间隔绘制在张表上。
此时对log_close_sh取对数，来消除增幅越来越大的现象。就取log_close_shlog=log(log_close_sh).
重做这份数据后，做图。
plot log_close_shlog*date;
plot2 log_close_sh*date;
如果平稳，p为n；(同理q)
不平稳，对该新的序列进行泄后1次和泄后n次的两次差分，平稳p为(1)(n)以下过程依此类推！
这个函数你应该知道混合自回归和滑动平均模型，简写为arima(p,d,q)
这样就可以确定p，q了！
思路是这样。如果你还不明白的话，我是再编一套给你吧。

proc arima data=copper.cu_day_oneyear2;
    identify var=log_close_sh(1) crosscorr=log_close_lme(1);
    estimate p=? q=? input=(?$(?)/(?)log_close_lme);
run;
在estimate 后加一个printall 选项试试吧。我的输出有残差这一项的，然后再输出到excel中处理。
另外，p、q的选择要直观用acf和pacf定阶，间接运用sbc验证。两者结合做，效果很好。我就这么做的，祝你好运

传递函数模型的p和q最好要通过分析输入函数进入模型后的残差序列来分析，对identify后输出序列的acf和pacf是没用的（sas ets手册上说的），所以也是我要残差序列的原因，现在我已经找了，它在forecast的out表里有。

传递函数模型的p和q最好要通过分析输入函数进入模型后的残差序列来分析，对identify后输出序列的acf和pacf是没用的（sas ets手册上说的），所以也是我要残差序列的原因，现在我已经找了，它在forecast的out表里有。

残差我会弄，主要是我不会定阶，是对平稳序列做定阶，还是原序列呢？

请问解决了吗？怎么提取残差啊，模型已经做好了，想用残差做别的分析