R语言时间序列作业_第1页
R语言时间序列作业_第2页
R语言时间序列作业_第3页
已阅读5页,还剩14页未读 继续免费阅读

下载本文档

版权说明:本文档由用户提供并上传,收益归属内容提供方,若内容存在侵权,请进行举报或认领

文档简介

1、2016 年第二学期时间序列分析及应用 R 语言课后作业 第三章 趋势3.4(a) data(hours);plot(hours,ylab='Monthly Hours',type='o')画出时间序列图(b) data(hours);plot(hours,ylab='Monthly Hours',type='l')type='o' 表示每个数据点都叠加在曲线上; type='b' 表示在曲线上叠加数据点,但是该数 据点附近是断开的; type='l' 表示只显示各数据点之间的连接线

2、段; type='p' 只想显示数据 点。points(y=hours,x=time(hours),pch=as.vector(season(hours).5.0M.5.04.0.004.5.0MJD1983 1984 198519861987Time3.10(a) data(hours);hours.lm=lm(hourstime(hours)+I(time(hours)2);summary(hours.lm)用最小二乘法拟合二次趋势,结果显示如下:Call: lm(formula = hours time(hours) + I(time(hours)2)Residuals:

3、Min 1Q Median 3Q Max-1.00603 -0.25431 -0.02267 0.22884 0.98358Coefficients:Estimate Std. Error t value Pr(>|t|)(Intercept)-5.122e+05 1.155e+05 -4.433 4.28e-05 *time(hours)5.159e+02 1.164e+02 4.431 4.31e -05 *I(time(hours)2)-1.299e -01 2.933e-02 -4.428 4.35e-05 *Signif. codes: 0 * ' 0.001 * &#

4、39; 0.01 * ' 0.05 .' 0.1 ' 1Residual standard error: 0.423 on 57 degrees of freedomMultiple R -squared: 0.5921, Adjusted R-squared: 0.5778F-statistic: 41.37 on 2 and 57 DF, p-value: 7.97e -12(b) plot(y=rstudent(hours.lm),x=as.vector(time(hours),type='l',ylab='Standardized Res

5、iduals') points(y=rstudent(hours.lm),x=as.vector(time(hours),pch=as.vector(season(hours)标准残差的时间序列,应用月度绘图标志。(为了更容易识别季节性)带季节性图标的的残差 -时间图slaudiseRdezidradnatS19831984 1985 19861987as.vector(time(hours)(c) runs(rstudent(hours.lm) 对标准差进行游程检验 $pvalue1 0.00012$observed.runs1 16$expected.runs1 30.96667

6、$n11 31 $n21 29$k1 0结果解释: P 值为 0.00012,表明非随机性是合理的。(d) acf(rstudent(hours.lm)标准残差的样本自相关函数季节均值模型残差的样本自相关系数Series rstudent(hours.lm)FCA10ga(e) qqnorm(rstudent(hours.lm);qqline(rstudent(hours.lm)(QQ 图)Normal Q-Q Plot-2 -1 0 1 2Theoretical Quantiles正态性可以通过正态得分或者分位数-分位数( QQ)图来检验。此处的直线型图形支持了该模型中随机项是正态分布的假设

7、。hist(rstudent(hours.lm),xlab='Standardized Residuals')标准残差的直方图(季节均值模型的标准残差直方图)Histogram of rstudent(hours.lm)Standardized Residualsshapiro.test(rstudent(hours.lm)正态性检验( Shapiro-Wilk 检验)本质是:计算残差与相应的正态分位数之间的相关系数。 相关性越小,就越有理由否定正态性。Shapiro-Wilk normality testdata: rstudent(hours.lm)W = 0.99385,

8、 p-value = 0.9909根据上面的检验结果,我们不能拒绝模型的随机项是正态分布的假设。第四章 平稳时间序列模型124.4第五章 非平稳时间序列模型5.1(a) ARMA (2,1) p=2,q=1,参数值和1=1 2=-0.25 1=0.1(b) IMA(2,0) p=2,d=1,q=0, 参数值和(c) ARMA(2,2) p=2,q=2, 参数值和1=0.52=-0.5 1=0.5 2=-0.255.7(a) A:AR(2) 1=0.92=0.09B:IMA(1,1) 1=0.1(b) 一个是固定的一个是不固定的。5.11(a) data(winnebago);win.graph

9、(width=6.5,height=3,pointsize=8)plot(winnebago,type='o',ylab='Winnebago Monthly Sales')时间序列图selaSylhtnoMogaben表明公司的休闲车的销量在逐渐增加。(b) plot(log(winnebago),type='o',ylab='Log(Monthly Sales)')取对数之后的时间序列图仍然呈现增加的趋势,但是比没有取对数之前增加的缓慢一些。(c) percentage=na.omit(winnebago -zlag(winn

10、ebago)/zlag(winnebago) win.graph(width=3,height=3,pointsize=8) plot(x=diff(log(winnebago) -1,y=percentage -1,ylab='PercentageChange',xlab='Difference of Logs')cor(diff(log(winnebago) -1,percentage -1)1 0.9646886Difference of Logs5.1 0.1 5.0 0.0 5.0egnahCegatnecreP结果显示: 0.96 认为一致。第六章

11、模型识别6.29(a) set.seed(762534);series=arima.sim(n=60,list(ar=0.4,ma=0.6)phi=0.4;theta=0.6;ACF=ARMAacf(ar=phi,ma= -theta,lag.max=10)plot(y=ACF -1,x=1:10,xlab='Lag',ylab='ACF',type='h',ylim=c( -.2,.2);abline(h=0)2.01.00.01.02.0FCA(b) acf(series)Series seriesLag第八章 模型诊断8.7(a) data

12、(hare);model=arima(sqrt(hare),order=c(3,0,0)win.graph(width=6.5,height=3,pointsize=8);acf(rstandard(model)残差的样本自相关图Series rstandard(model)1412101.01.03.0FCA(b) LB.test(model,lag=9)Box-Ljung testdata: residuals from modelX-squared = 6.2475, df = 6, p-value = 0.396 JB统计量结果表明不拒绝误差项的独立性。(c) 对残差进行检验。runs

13、(rstandard(model)$pvalue1 0.602$observed.runs1 18$expected.runs1 16.09677$n11 13$n21 18$k 1 0P 值为 0.602,不拒绝误差项的独立性。(d) win.graph(width=3,height=3,pointsize=8)qqnorm(residuals(model)残差的正态 QQ 图selitnauQelpmaSNormal Q-Q Plot-1 0 1Theoretical Quantiles2QQ 图看出有一点小的曲率,但是这种现象可能是俩个极端值造成的。(e)对残差的正态性进行 shapir

14、o-wilk 检验shapiro.test(residuals(model)Shapiro-Wilk normality testdata: residuals(model)W = 0.93509, p-value = 0.06043结果表明,我们不会拒绝通常意义水平的正态性。第九章 预测9.2(a) Y 2007 (1) 5 1.1Y2007 0.5Y2006 5 1.1(10) 0.5(11) 10.5所以, Y 2007(2)5 1.1Y2008 0.5Y2007 5 1.1(10.5) 0.5(10) 11.55(b)从上式中看出 1 1.1 ,1 - 1 0 0, 0 1, 11.1

15、(c) Y2007 (1) 2 210.5 2 2 10.5 2.83 即 2008 年 预测的 95%预测 极限 为7.67-13.33.(d)因为有, Yt 1 (t) Yt1(t 1) t Yt 1 Yt(1)所以, Y 2008(1) Y 2007 (2) 1 Y2008 Y 2007(1) 11.55 1.112 10.5 13.2第十章 季节模型10.12(a) data(boardings);series=boardings,1 plot(series,type='l',ylab='Light Rail&Bus Boardings') po

16、ints(series,x=time(series),pch=as.vector(season(series)roda.21suB.55uB.52liB&1itaR.05th21ihLg1ONFMJ(b) acf(as.vector(series),ci.type='ma')JFAMAONFMNJFMMAA JJ D2001 2002 2003 2004 2005 2006TimeSeries as.vector(series)Lag滞后期为 1,5, 6, 12 ,时候,存在显著的自相关。(c) model=arima(series,order=c(0,0,3),se

17、asonal=list(order=c(1,0,0),period=12);modelCall: arima(x = series, order = c(0, 0, 3), seasonal = list(order = c(1, 0, 0), period = 12)Coefficients:ma1ma2ma3sar1intercept0.72900.61160.29500.877612.5455s.e. 0.11860.11720.11180.05070.0354sigma2 estimated as 0.0006542: log likelihood = 143.54, aic = -2

18、77.09 所有的变量都是显著的。(d) model2=arima(series,order=c(0,0,4),seasonal=list(order=c(1,0,0),period=12);model2 Call:arima(x = series, order = c(0, 0, 4), seasonal = list(order = c(1, 0, 0), period = 12) Coefficients:ma1ma2ma3ma4sar1intercept0.72770.66860.42440.14140.891812.5459s.e. 0.12120.13270.16810.12280

19、.04450.0419sigma2 estimated as 0.0006279: log likelihood = 144.22, aic = -276.45模型 2 中 AIC=-276.45,模型 1 中的 AIC= -277.09,AIC越小越好,所以模型是过度拟合的。 第十二章 异方差时间序列模型12.1 library(TSA)data(CREF)r.cref=diff(log(CREF)*100win.graph(width = 4.875,height = 2.5,pointsize = 8)plot(abs(r.cref)win.graph(width = 4.875,hei

20、ght = 2.5,pointsize = 8)plot(r.cref2)12.9(a) > data(google)> plot(google)收益率数据的时间序列图> acf(google)> pacf(google)根据 ACF和 PACF可以得知,无自相关。(b) 计算 google 日收益率均值。> t.test(google,alternative = 'greater')One Sample t-testdata: googlet = 2.5689, df = 520, p -value = 0.00524alternative hy

21、pothesis: true mean is greater than 095 percent confidence interval:0.000962967 Inf sample estimates:mean of x 0.002685589x的均值为 0.002685589 ,备择假设为: 均值异于 0,根据 P值显示, 0.00524 接受备择假设。(c)McLeod-Li 检验 ARCH效应。> win.graph(width = 4.875,height = 3,pointsize = 8) > McLeod.Li.test(y=google)根据图显示,所有滞后值在 5

22、%的水平上均显著。说明数据具有ARCH特征。(d) 识别 GARCH模型,估计识别的模型并对拟合的模型进行模型诊断检验。> eacf(google2) 取值平方的样本 EACF AR/MA0 1 2 3 4 5 6 7 8 9 10 11 12 13 0 x x o o o o o o o x o o o x 1 x o o o o o o o o x o o o x 2 x o o o o o o o o x o o o x 3 x x x o o o o o o x o o o x 4 x x x o o o o o o o o o o o 5 x x x o o o o o o o

23、 o o o o 6 x x x x o o o o o o o o o o 7 o x x o o x o o o o o o o o> eacf(abs(google) 绝对值的样本 EACF AR/MA0 1 2 3 4 5 6 7 8 9 10 11 12 13 0 x x x o o o x o o x o o x x1 x o o o o o o o o o o o o x2 x x o o o o o o o o o o o x3 x x x o o o o o o o o o o x4 x o x o o o o o o o o o o o5 x o x o x o o

24、o o o o o o o6 o x x x x x o o o o o o o o7 x o x x x o x o o o o o o o根据上图, 得知设定 GARCH(1,1) 模型。 Google 日收益率的平方值相应的样本 EACF 也得知模 型 GARCH(1,1) 符合。检验模型:> m1=garch(x=google,order = c(1,1)> summary(m1)Call:garch(x = google, order = c(1, 1)Model:GARCH(1,1)Residuals:Min 1Q Median 3Q Max-3.64597 -0.46

25、486 0.08232 0.65379 5.73937Coefficient(s):Estimate Std. Error t value Pr(>|t|)a0 5.058e-051.232e-054.106 4.03e-05 *a1 1.264e-012.136e-025.920 3.21e-09 *b1 7.865e-013.578e-0221.980 < 2e-16 *Signif. codes:0 * ' 0.001 * ' 0.01* ' 0.05 . ' 0.1' 1Diagnostic Tests:Jarque Bera Testdata: ResidualsX-squared = 223.86, df = 2, p-value < 2.2e-16Box-Lj

温馨提示

  • 1. 本站所有资源如无特殊说明,都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等,如果需要附件,请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸,网页内容里面会有图纸预览,若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间,仅对用户上传内容的表现方式做保护处理,对用户上传分享的文档内容本身不做任何修改或编辑,并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容,请与我们联系,我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

评论

0/150

提交评论