语言在时间序列分析中的应用

R语言在时间序列中的应 2013.04.19未完writtenby时间序列数据是R语言中一种特定形式的数据类型。R语言中有许多专门针对时间序列ts(data=NA,start=1,end=numeric(),frequency=1 ： ： ： ： 如果以 读入读入的是一个2*3的矩阵如果直接以ts()时间序列化 #将矩性化为向量D ts(D);acf() pacf()acf()type=”partial”。不过注意acf0开始的，pacf1阶开始的。plot()检查时序图，平稳时间序列5656D234 D234SeriesSeriesSeries D D D0 D0 BarlettQLB统计量，两者均渐进 type：“Box-Pierce”Q统计量，“Ljung-Box”LBfitdf随机序列。然后绘制时序图、acf、pacf图。D012 D0120.00.40.00.4 -0.10-0.100.00 下面进行纯随机性检验。Box.test只能针对一个特定阶数进行检验，我们可以通过下for(iBox",lag=i)LAG[i]=i}p123456789六、ARMA模型模拟与识别PqARMAarima相关的一族函数。这里暂时不涉及差分阶数I。下面将模拟几个特殊的ARMA模型。需要用到的函数是： （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 对于一个给定的序列，如何用R include.mean：是否包含均值项(intercept)现在模拟生成一个ARMA(2,2)的时间序列，然后分别运用两个函数进行估计。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) - - 但是还是存在一些难以克服。在我们难以定阶时，尤其是ARMA(p,q)模型中，难以arimap,q真正是多少。而在试验过程中，我测试200auto.arima()确定的阶数也常常和模拟的参数不一样，这就是说auto.arima的结果（即AIC准则结果）经常确。度，要用到前面Box.test的dffit，令其等于p+q。 ：这里需要填入估计好的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