語言在時間序列分析中的應(yīng)用

R語言在時間序列中的應(yīng) 2013.04.19未完writtenby時間序列數(shù)據(jù)是R語言中一種特定形式的數(shù)據(jù)類型。R語言中有許多專門針對時間序列ts(data=NA,start=1,end=numeric(),frequency=1 ： ： ： ： 如果以 讀入讀入的是一個2*3的矩陣如果直接以ts()時間序列化 #將矩性化為向量D ts(D);acf() pacf()acf()type=”partial”。不過注意acf0開始的，pacf1階開始的。plot()檢查時序圖，平穩(wěn)時間序列5656D234 D234SeriesSeriesSeries D D D0 D0 BarlettQLB統(tǒng)計量，兩者均漸進(jìn) type：“Box-Pierce”Q統(tǒng)計量，“Ljung-Box”LBfitdf隨機序列。然后繪制時序圖、acf、pacf圖。D012 D0120.00.40.00.4 -0.10-0.100.00 下面進(jìn)行純隨機性檢驗。Box.test只能針對一個特定階數(shù)進(jìn)行檢驗，我們可以通過下for(iBox",lag=i)LAG[i]=i}p123456789六、ARMA模型模擬與識別PqARMAarima相關(guān)的一族函數(shù)。這里暫時不涉及差分階數(shù)I。下面將模擬幾個特殊的ARMA模型。需要用到的函數(shù)是： （1）AR(1) X(t)=0.8*X(t-1)+D=arima.sim(list(order=c(1,0,0),ar=0.8),n=200)plot(D);par(mfrow=c(1,2));acf(D);44D02 D02Series Series （2）AR(2) X(t)=0.8*X(t-1)+0.1X(t-1)+246D=arima.sim(list(order=c(2,0,0),ar=c(0.8,0.1)),n=200246D0 D0Series Series （2）MA(2) X(t)=E(t)–0.7*E(t-1)–123D=arima.sim(list(order=c(0,0,2),ma=c(0.7,0.2)),n=200123D0 D0Series Series （2）MA(2) X(t)=E(t)–0.7*E(t-1)–02D=arima.sim(list(order=c(2,0,2),ar=c(0.3,0.4),ma=c(0.5,0.4)),n=20002D DSeries Series 對于一個給定的序列，如何用R include.mean：是否包含均值項(intercept)現(xiàn)在模擬生成一個ARMA(2,2)的時間序列，然后分別運用兩個函數(shù)進(jìn)行估計。D=arima.sim(list(order=c(2,0,2),ar=c(-0.5,0.4),ma=c(0.5,0.4)),n=1000)ARIMA=arima(D,order=c(2,0,2),method="ML");summary(ARIMA) - - 但是還是存在一些難以克服。在我們難以定階時，尤其是ARMA(p,q)模型中，難以arimap,q真正是多少。而在試驗過程中，我測試200auto.arima()確定的階數(shù)也常常和模擬的參數(shù)不一樣，這就是說auto.arima的結(jié)果（即AIC準(zhǔn)則結(jié)果）經(jīng)常確。度，要用到前面Box.test的dffit，令其等于p+q。 ：這里需要填入估計好的ARIMA D=arima.sim(list(order=c(2,0,2),ar=c(0.5,-0.2),ma=c(0.5,0.2)),n=100)plot(D);par(mfrow=c(1,2));acf(D);2U=pre$pred