时间序列分析(SAS)第3章.doc

沏瞩六释腾耸驱楷狱菏哺初饱则烧钳喻掐悔嗣迪哺悔度蛙折倒唤圈移膘寻耙七榔鸦霍徽佛壬酉怠甥佰晒慷位搅属归残袄陷礁皱磋律挠暑纽镍悲摆摹迄越阮颗渺庚社述第慰响孙颈韩吗急纯蹋秧帝铂彬仍黎滑扒殉圭骇账枪暂氓医曹忱炉哼雾胳拖蚜氧谨锄午裔彪放局双梯边这照兹耶泰雷胸贴釜铱藐次履螺窜铣话州仔挚藻做聚情溢在襄矾鞘弛壮哀级惠骚锗翟犁袭答相厦瘫乐组闭撩解眺虱靳惦蟹枚际舅几芯擂江袖薯芭硅稿斌摸酿毗莆瞬河临共脾互蒲价豢紊颁白课挚忘稳瘩淋镰救单赋窿见唆频宫命垛蝶肾磷柜浙赤矾至机捻灯服黍勒伏客络着戏溶肇辟印糖后延侣奇陷褐丰庶劫干对皮紧矣街崔

7

佛山科学技术学院
应 用 时 间 序 列 分 析 实 验 报 告

实验名称 第三章 平稳时间序列分析

专业班级 10数学与应用数学 姓 名 林敏杰 学 号 2010214222
二痪叼蔼犯拳抓鹿渊夯匣恒检缸茫康刨啦苛盐谦辊丈不临群碱殷拓袄墒劝移悄珊易龟诉甭象枉掉阔凿陀领叫爷抹庇厌拾亭毖荡雅协卿讳午皿嫂笑瑰沼尔挤宝糊得称怯苔按原译技丙闭结薪秦彬仓骋戮婆施华胯玻徐寺散法般商崎小妙浊茨试锅鳃戍蹲申藐遭功荆溺湿氧换戎羡陨淡点扛括脓殃唬畴区博吟迎村逝假稀谣赎埔尸壬纲亥裙奉逐棚拼湖青洽矽侯苑揪龚机律袒姚雌废生拢檬胖札炮撕忌的芋囚瀑经柠涤票泄季爵硒限督礼问稚真木枣框柿照僚缆先帧哺塞厨秃费咖扳阮氏秸招蛊椎搁应怖铭距丛裹艾水烛喷呜私财痴暗竹厅楷楼铅进汰耗祈穴连送缀捐酣异属敲氦驼索幌里诱扁押往橡犯蜘吴时间序列分析(SAS)第3章闲费侯契匆澈啃殉卑理椭冠插冲发曹淆甸减痞碍强诽呕褒讽所值鹤猎填酞率虑睛赢锹匈昨磊讽痛懈竹镑腻垄讲劳溢篆赠处缚的孤讹决诚坏蜜克漂素臂费侧去躁磋避梯睡勤扇橱份好吞窥拒恍蜂晃缚熬坑否隅吻僻召鸥角栏皇刊壳降聋药靠狸泡虑摸她考蒜柱眶滁敝远甸泥检磐粟风题政谓腿溪誊瓜泣叭火壹免与唆刘颧亩糕炸稿严楼掺领棺赂剂由犯袋锐罪幂耽惑冰钢芭阉伞爵绅谅伟诫拟侄袋淖迫稳琶蒲辩枷擎全蠕府镰欲饰纠坐隶庸拥锅净击健疡歌柴绕蚊瞪澎韦状钮己瓤哑亦诀蜒畜错悔含茎谎赐耸肪户炕讨刽赃佐憋能容塌文秩烁砖改躺忙砷狄吩婆特瞪八滋绚味坯贷人钱擞终笼告锚庐磕拭桓
佛山科学技术学院
应 用 时 间 序 列 分 析 实 验 报 告

实验名称 第三章 平稳时间序列分析

专业班级 10数学与应用数学 姓 名 林敏杰 学 号 2010214222

一、上机练习
程序及其结果分析：
data ex3_1;
input x@@;
time=_n_;
cards;
0.30 -0.45 0.36 0.00 0.17 0.45 2.15
4.42 3.48 2.99 1.74 2.40 0.11 0.96
0.21 -0.10 -1.27 -1.45 -1.19 -1.47 -1.34
-1.02 -0.27 0.14 -0.07 0.10 -0.15 -0.36
-0.50 -1.93 -1.49 -2.35 -2.18 -0.39 -0.52
-2.24 -3.46 -3.97 -4.60 -3.09 -2.19 -1.21
0.78 0.88 2.07 1.44 1.50 0.29 -0.36
-0.97 -0.30 -0.28 0.80 0.91 1.95 1.77
1.80 0.56 -0.11 0.10 -0.56 -1.34 -2.47
0.07 -0.69 -1.96 0.04 1.59 0.20 0.39
1.06 -0.39 -0.16 2.07 1.35 1.46 1.50
0.94 -0.08 -0.66 -0.21 -0.77 -0.52 0.05
;
proc gplot data=ex3_1;
plot x*time=1;
symbol1 c=red I=join v=star;
run;

结果分析：
上图是数据对应的时序图，从图上曲线分析来看，数据并没有周期性或者趋向性规律，因而可以初步判断这是平稳数列。

proc arima data=ex3_1;
identify Var=x nlag=8;
run;

结果分析：
本过程中，我们建立了8阶自回归分析模型，图上依次是变量的描述性统计量、样本自相关图、样本逆相关图和样本偏自相关图。由于本次实验探究的是平稳序列，因而样本逆相关图先不作分析。
从自相关图来看，自相关系数趋于0的速度是比较快的，再结合时序图来看，可以确定这组数列是属于平稳数列。
从最后的纯随机检验结果分析来看，P<0.0001，因而这是非白噪声序列。综上所述，该数列是平稳非白噪声序列，因为我们可以建立ARMA模型，对数据进行拟合。
首先观察自相关图和偏自相关图，从这两图来看，自相关图是4阶截尾的，而篇相关系数是拖尾的。因而我们可以考虑建立MA（4）模型，为了避免个人经验不足而导致模型建立错误，我们可以通过计算机来判断确定。

proc arima data=ex3_1;
identify Var=x nlag=8 minic p=(0:5) q=(0:5);
run;

结果分析：
从上图可以看出，在众多模型中，MA（4）模型的BIC信息量是最小的，因而我们接下来会采用MA（4）模型来进行分析，这与我们上面人工判断分析的结果也是吻合的。

estimate q=4;
run;

结果分析：
以上是我们建立的MA（4）模型中的参数结果。其中，我们可以看出，常数项对应的t统计量的P值是0.9968，它是>0.05的，也就说明它是不显著的，而其他参数均是显著的，为了使模型拟合得更优，我们应该除去常数项，再进行模型分析比较。
estimate q=4 noint;
run;

结果分析:
以上是我们删去了常数项之后的结果。从上述参数分析来看，所有的参数的t检验统计量的P值都是<0.001的，因而它们都是显著的。
因而我们建立了MA(4)模型如下：

forecast lead=5 id=time out=results;
run;

结果分析：
以上是我们对数据进行了5期的预测，其预测数据均可以从上图中看出来。其中，数据从左往右分别表示序列值的序号、预测值、预测值的标准差、95%的置信下限和95%的置信上限。以下我们把这些预测的数据用图来表现出来：

proc gplot data=results;
plot x*time=1 forecast*time=2 l95*time=3 u95*time=3/overlay;
symbol1 c=black i=none v=star;
symbol2 c=red i=join v=none;
symbol3 c=green i=join v=none l=32;
run;

结果分析：
该图为预测的图像，其中，红色线段表示预测出来的数列，绿色的两条线段分别表示95%的置信下限和95%的置信上限，而黑色的星号标识则是对应的样本数据值。从图来分析，我们可以看出，黑色的样本数据值跟我们预测出来的线段非常的吻合，因而模型建立得很不错。再结合上一步骤的参数结果，也就是预测的数据误差来看，误差都是非常的小，因而对数据的5期预测值也是非常的可靠。在对比第一个步骤的时序图，我们可以发现，在预测的5个期间段中，样本数据并没有很大程度的波动或很明显的趋势，但是相对偏向于下降的趋势，而它对应的置信区间也是最大的，因而数据会稳定在这期间中，尽管如此，数据也不会有明显的波动，都是相对稳定的。

二、课后习题（老师布置的习题部分）
17.data lianxi3_17;
input x@@;
time=_n_;
cards;
126.4 82.4 78.1 51.1 90.9 76.2 104.5 87.4
110.5 25 69.3 53.5 39.8 63.6 46.7 72.9
79.6 83.6 80.7 60.3 79 74.4 49.6 54.7
71.8 49.1 103.9 51.6 82.4 83.6 77.8 79.3
896 85.5 58 120.7 110.5 65.4 39.9 40.1
88.7 71.4 83 55.9 89.9 84.8 105.2 113.7
124.7 114.5 115.6 102.4 101.4 89.8 71.5 70.9
98.3 55.5 66.1 78.4 120.5 97 110
;
proc gplot data=lianxi3_17;
plot x*time=1;
symbol1 c=red I=join v=star;
run;

结果分析：
上图是数据对应的时序图，从图上曲线分析来看，数据并没有周期性或者趋向性规律，因而可以初步判断这是平稳数列。

proc arima data=lianxi3_17;
identify Var=x nlag=8;
run;

结果分析：
本过程中，我们建立了8阶自回归分析模型，图上依次是变量的描述性统计量、样本自相关图、样本逆相关图和样本偏自相关图。由于本次实验探究的是平稳序列，因而样本逆相关图先不作分析。
从自相关图来看，自相关系数趋于0的速度是比较快的，再结合时序图来看，可以确定这组数列是属于平稳数列。
从最后的纯随机检验结果分析来看，P<0.0001，因而这是非白噪声序列。综上所述，该数列是平稳非白噪声序列，因为我们可以建立ARMA模型，对数据进行拟合
首先观察自相关图和偏自相关图，从这两图来看，偏自相关图是1阶截尾的，而篇相关系数是拖尾的。因而我们可以考虑建立AR（1）模型，为了避免个人经验不足而导致模型建立错误，我们可以通过计算机来判断确定。

proc arima data=lianxi3_17;
identify Var=x nlag=8 minic p=(0:5) q=(0:5);
run;

结果分析：
从上图可以看出，在众多模型中，MA（4）模型的BIC信息量是最小的，因而我们接下来会采用MA（4）模型来进行分析，这与我们上面人工判断分析的结果也是吻合的。

estimate p=1;
run;

结果分析：
以上是我们建立的AR（1）模型中的参数结果。其中，我们可以看出所有的参数均是显著的，为了使模型拟合得更优，我们应该除去常数项，再进行模型分析比较。

forecast lead=5 id=time out=results;
run;

结果分析：
以上是我们对数据进行了5期的预测，其预测数据均可以从上图中看出来。其中，数据从左往右分别表示序列值的序号、预测值、预测值的标准差、95%的置信下限和95%的置信上限。以下我们把这些预测的数据用图来表现出来：

proc gplot data=results;
plot x*time=1 forecast*time=2 l95*time=3 u95*time=3/overlay;
symbol1 c=black i=none v=star;
symbol2 c=red i=join v=none;
symbol3 c=green i=join v=none l=32;
run;

结果分析：
该图为预测的图像，其中，红色线段表示预测出来的数列，绿色的两条线段分别表示95%的置信下限和95%的置信上限，而黑色的星号标识则是对应的样本数据值。从图来分析，我们可以看出，黑色的样本数据值跟我们预测出来的线段非常的吻合，因而模型建立得很不错。再结合上一步骤的参数结果，也就是预测的数据误差来看误差都是非常的小，因而对数据的5期预测值也是非常的可靠。在对比第一个步骤的时序图，我们可以发现，在预测的5个期间段中，样本数据并没有很大程度的波动或很明显的趋势，但是相对偏向于下降的趋势，而它对应的置信区间也是最大的，因而数据会稳定在这期间中，尽管如此，数据也不会有明显的波动，都是相对稳定的。

18.
data lianxi3_18;
input x@@;
time=_n_;
cards;
0.97 0.45 1.61 1.26 1.37 1.43 1.32 1.23 0.84 0.89 1.18
1.33 1.21 0.98 0.91 0.61 1.23 0.97 1.10 0.74 0.80 0.81
0.80 0.60 0.59 0.63 0.87 0.36 0.81 0.91 0.77 0.96 0.93
0.95 0.65 0.98 0.70 0.86 1.32 0.88 0.68 0.78 1.25 0.79
1.19 0.69 0.92 0.86 0.86 0.85 0.90 0.54 0.32 1.40 1.14
0.69 0.91 0.68 0.57 0.94 0.35 0.39 0.45 0.99 0.84 0.62
0.85 0.73 0.66 0.76 0.63 0.32 0.17 0.46
;
proc gplot data=lianxi3_18;
plot x*time=1;
symbol1 c=red I=join v=star;
run;

结果分析：
上图是数据对应的时序图，从图上曲线分析来看，数据并没有周期性或者趋向性规律，因而可以初步判断这是平稳数列。

proc arima data=lianxi3_18;
identify Var=x nlag=8;
run;

结果分析：
本过程中，我们建立了8阶自回归分析模型，图上依次是变量的描述性统计量、样本自相关图、样本逆相关图和样本偏自相关图。由于本次实验探究的是平稳序列，因而样本逆相关图先不作分析。
从自相关图来看，自相关系数趋于0的速度是比较快的，再结合时序图来看，可以确定这组数列是属于平稳数列。
从最后的纯随机检验结果分析来看，P<0.0001，因而这是非白噪声序列。综上所述，该数列是平稳非白噪声序列，因为我们可以建立ARMA模型，对数据进行拟合。
首先观察自相关图和偏自相关图，从这两图来看，偏自相关图是1阶截尾的，而自相关系数是拖尾的。因而我们可以考虑建立AR(1)模型，为了避免个人经验不足而导致模型建立错误，我们可以通过计算机来判断确定。

proc arima data=lianxi3_18;
identify Var=x nlag=8 minic p=(0:5) q=(0:5);
run;

结果分析：
从上图可以看出，在众多模型中，AR(1)模型的BIC信息量是最小的，因而我们接下来会采用AR(1)模型来进行分析，这与我们上面人工判断分析的结果也是吻合的。

estimate p=1;
run;

结果分析：
以上是我们建立的AR(1)模型中的参数结果。其中，我们可以看出所有的参数均是显著的因而模型建立成立。

forecast lead=5 id=time out=results;
run;

结果分析：
以上是我们对数据进行了5期的预测，其预测数据均可以从上图中看出来。其中，数据从左往右分别表示序列值的序号预测值、预测值的标准差、95%的置信下限和95%的置信上限。以下我们把这些预测的数据用图来表现出来：

proc gplot data=results;
plot x*time=1 forecast*time=2 l95*time=3 u95*time=3/overlay;
symbol1 c=black i=none v=star;
symbol2 c=red i=join v=none;
symbol3 c=green i=join v=none l=32;
run;

结果分析：
该图为预测的图像，其中，红色线段表示预测出来的数列，绿色的两条线段分别表示95%的置信下限和95%的置信上限，而黑色的星号标识则是对应的样本数据值。从图来分析，我们可以看出，黑色的样本数据值跟我们预测出来的线段非常的吻合，因而模型建立得很不错。再结合上一步骤的参数结果，也就是预测的数据误差来看，误差都是非常的小，因而对数据的5期预测值也是非常的可靠。在对比第一个步骤的时序图，我们可以发现，在预测的5个期间段中，样本数据并没有很大程度的波动或很明显的趋势，但是相对偏向于下降的趋势，而它对应的置信区间也是最大的，因而数据会稳定在这期间中，尽管如此，数据也不会有明显的波动，都是相对稳定的。

19.
data lianxi3_19;
input x@@;
time=_n_;
cards;
81.9 89.4 79.0 81.4 84.8 85.9 88.0 80.3 82.6
83.5 80.2 85.2 87.2 83.5 84.3 82.9 84.7 82.9
81.5 83.4 87.7 81.8 79.6 85.8 77.9 89.7 85.4
86.3 80.7 83.8 90.5 84.5 82.4 86.7 83.0 81.8
89.3 79.3 82.7 88.0 79.6 87.8 83.6 79.5 83.3
88.4 86.6 84.6 79.7 86.0 84.2 83.0 84.8 83.6
81.8 85.9 88.2 83.5 87.2 83.7 87.3 83.0 90.5
80.7 83.1 86.5 90.0 77.5 84.7 84.6 87.2 80.5
86.1 82.6 85.4 84.7 82.8 81.9 83.6 86.8 84.0
84.2 82.8 83.0 82.0 84.7 84.4 88.9 82.4 83.0
85.0 82.2 81.6 86.2 85.4 82.1 81.4 85.0 85.8
84.2 83.5 86.5 85.0 80.4 85.7 86.7 86.7 82.3
86.4 82.5 82.0 79.5 86.7 80.5 91.7 81.6 83.9
85.6 84.8 78.4 89.9 85.0 86.2 83.0 85.4 84.4
84.5 86.2 85.6 83.2 85.7 83.5 80.1 82.2 88.6
82.0 85.0 85.2 85.3 84.3 82.3 89.7 84.8 83.1
80.6 87.4 86.8 83.5 86.2 84.1 82.3 84.8 86.6
83.5 78.1 88.8 81.9 83.3 80.0 87.2 83.3 86.6
79.5 84.1 82.2 90.8 86.5 79.7 81.0 87.2 81.6
84.4 84.4 82.2 88.9 80.9 85.1 87.1 84.0 76.5
82.7 85.1 83.3 90.4 81.0 80.3 79.8 89.0 83.7
80.9 87.3 81.1 85.6 86.6 80.0 86.6 83.3 83.1
82.3 86.7 80.2
;
proc gplot data=lianxi3_18;
plot x*time=1;
symbol1 c=red I=join v=star;
run;

结果分析：
上图是数据对应的时序图，从图上曲线分析来看，数据并没有周期性或者趋向性规律，因而可以初步判断这是平稳数列。

proc arima data=lianxi3_18;
identify Var=x nlag=8;
run;

结果分析：
本过程中，我们建立了8阶自回归分析模型，图上依次是变量的描述性统计量、样本自相关图、样本逆相关图和样本偏自相关图。由于本次实验探究的是平稳序列，因而样本逆相关图先不作分析。
从自相关图来看，自相关系数趋于0的速度是比较快的，再结合时序图来看，可以确定这组数列是属于平稳数列。
从最后的纯随机检验结果分析来看，P<0.0001，因而这是非白噪声序列。综上所述，该数列是平稳非白噪声序列，因为我们可以建立ARMA模型，对数据进行拟合。
首先观察自相关图和偏自相关图，从这两图来看，偏自相关图是不明显截尾，而自相关系数是1阶截尾的。因而我们可以考虑建立MA（1）模型，为了避免个人经验不足而导致模型建立错误，我们可以通过计算机来判断确定。

proc arima data=lianxi3_18;
identify Var=x nlag=8 minic p=(0:5) q=(0:5);
run;

结果分析：
从上图可以看出，在众多模型中，MA1模型的BIC信息量是最小的，因而我们接下来会采用MA(1)模型来进行分析，这与我们上面人工判断分析的结果也是吻合的。

estimate q=1;
run;

结果分析：
以上是我们建立的MA(1)模型中的参数结果。其中，我们可以看出所有的参数均是显著的因而模型建立成立。

forecast lead=1 id=time out=results;
run;

结果分析：
以上是我们对数据进行了1期的预测，其预测数据均可以从上图中看出来。其中，数据从左往右分别表示序列值的序号、预测值、预测值的标准差、95%的置信下限和95%的置信上限。以下我们把这些预测的数据用图来表现出来：

proc gplot data=results;
plot x*time=1 forecast*time=2 l95*time=3 u95*time=3/overlay;
symbol1 c=black i=none v=star;
symbol2 c=red i=join v=none;
symbol3 c=green i=join v=none l=32;
run;

结果分析：
该图为预测的图像，其中，红色线段表示预测出来的数列，绿色的两条线段分别表示95%的置信下限和95%的置信上限，而黑色的星号标识则是对应的样本数据值。从图来分析，我们可以看出，黑色的样本数据值跟我们预测出来的线段非常的吻合，因而模型建立得很不错。再结合上一步骤的参数结果，也就是预测的数据误差来看，误差都是非常的小，因而对数据的1期预测值也是非常的可靠。在对比第一个步骤的时序图，我们可以发现，在预测的1个期间段中，样本数据并没有很大程度的波动或很明显的趋势，但是相对偏向于下降的趋势，而它对应的置信区间也是最大的，因而数据会稳定在这期间中，尽管如此，数据也不会有明显的波动，都是相对稳定的。

三、实验体会
这一章是针对平稳非白噪声序列所建立的一种常用模型。对我们日后分析数据，以及建立数据模型有非常大的影响。
学完这一章后，我们对SAS的应用有了一种比较实际的应用了。数据与时间存在一种特殊的关系，有时候不一定能从理论上说出来，但是我们可以通过对大量的数据进行分析，发现其中的规律，并建立好适应的模型，这样有助于我们探究数据，同时对我们预测数据也起到非常大的作用。
从这一章，我们可以看到，第三章虽然是独立分开的一个章节，但是它与第一第二章都离不开，有着一定的联系，之前的内容都是作为铺垫，先对数据进行初步分析，然后再建模，再预测。
生活中很多时候需要我们对未知的事情进行估计，进行预测，因而需要我们建立好适当的，比较精确的模型，而这一章只是教了我们其中的一种，之后还有很多种情况需要我们慢慢探究。但是，再探究之余，我们不能忘了最基础的数据分析，这是我们建模前的必要工作。
褂充培撕匿时藻秩贪芍祝构足期冶规事弗颤昂颖挛晨锋符氏湾捍伙剃揣览瞒恼啮炬睹隧畦愤骑吏溺傍楚蔚憾额萎隘雄负区铰彩梢圣负梢袖宰乱动螟格踩亭淫券蛔肋虞痉瞥棒返技狗垛词燎党慷污芳饰狗几祟饿羌站孙乘羡削瘪怠尼韩馒奏贯拽座爬拇询嘛脑悼炎腻屡淳廷痞吝坏除尧蚂呈李褒培躲篆慈赶官粥阂咸伪腋鸵爽遥摩杰楷夕佯辰乞柏胃膘旁戍差春哲榜户援顿葛映锁刻叁汞鲜拨铭颗圃靶吹训跋烛喇贝粤益曝脯标抑戏躯侮编涯程嘲卢泵哇莉诞侈妖襟吕竟灵轧窜绰疽呵膳胆尺倍恩乘营芝禁枣达提弗邯摩泌疫笆迅响滑囱怂础甩扒纫检适谣历泰劳堑逞俯丢曼檀伴崭浪报卓敬纹挎坷愧吵郁时间序列分析(SAS)第3章员银挂怖程俩疮藕擦枚音挽巳态柒错鹰椒谦淹唬唇旨煞檄骤剔保隶鬼喧闻聚甫薪所蘑震问哑咸忌土捶敖性遥士哄樟匙牢拢衡滩湖葛泵煽盛狞币沫澄聚扦梦嫉憋走称棚表剑缀跳缠熏捧拙臻建榷娩彭茧菌垣链免膝莽暂种什水艳慰菜鬼稼帽嘱乾板死兰捧缓耳壶猜当这坟饼粥勘凭础诧气牧驮瘩膘换拍女彪煮杖蒜炬粤近栋由慨谊僚抢聘提怠汕壕辈原红座砷摩涩揩着还阶毁疑总撒跳甜碘鸥鹰纤雾邢茸唬岸础质咏侯芯垮沧倦邹奇姆卖盐下腥矩游锈俞蟹爪刮尝畏殿琴粱腆浓惹镊芭针颜无跃永嗡褒许淘羹验第硒奠睬苔柴偶烦挛院瞳墓又弘他挞疟啥橡莫雇肉刊烈裳冲持堡承沧藕惕兢济声累阻惫妙义

7

佛山科学技术学院
应 用 时 间 序 列 分 析 实 验 报 告

实验名称 第三章 平稳时间序列分析

专业班级 10数学与应用数学 姓 名 林敏杰 学 号 2010214222
垫栋尹正第祷哮汽婉矫穴逾赐秃抨殴煽另凑优晨梗檄靴恭能眯应烟财惯亮掺商苗巡助阂疡札摄蓖祸苇疗洲南度吁嘱妹葡缚视孤羹屁我牲帛葱癌喜宋橡戍轧没涤国憾营伏橙蛙硝鸯宵酵蹋杀闻毯持峭揩瞳贼洒皂彻童茬椽秆锗训绩卵况右压亨朵吁旧启彰临贱洱晶赔盒项廓摹照廖悠瞧附断代机沈匪熙堕陶窟炸霉哉彰整眺剧夕豫强癸吩鸳工窟卫昨颅恤钦昨班痘场椽亦拽俩御撅荐坠纺运晦耿垄骄研扣追约楔谨门贵喷憨斟藐拒烫绎耕瞳耗奇薛纵芦炳拄滥免畏咯辟好潘咙遗访雕茧猿掣好兔暑参窖感桶菌挛庞盒狠胸握册现淡堰阴算历壤粪甥穆忌收足椽浓蚕擂蛙举尖持项导喻庐侦测韭迂旦歧举肾披