时间序列分析R语言程序.doc

#例2.1 绘制1964——1999年中国年纱产量序列时序图（数据见附录1.2） Data1.2=read.csv(C:\\Users\\Administrator\\Desktop\\附录1.2.csv,header=T)#如果有标题，用T；没有标题用F plot(Data1.2,type=o) #例2.1续 tdat1.2=Data1.2[,2] a1.2=acf(tdat1.2) #例2.2绘制1962年1月至1975年12月平均每头奶牛产奶量序列时序图（数据见附录1.3） Data1.3=read.csv(C:\\Users\\Administrator\\Desktop\\附录1.3.csv,header=F) tdat1.3=as.vector(t(as.matrix(Data1.3)))[1:168]#矩阵转置转向量 plot(tdat1.3,type=l) #例2.2续 acf(tdat1.3) #把字去掉 pacf(tdat1.3) #例2.3绘制1949——1998年北京市每年最高气温序列时序图 Data1.4=read.csv(C:\\Users\\Administrator\\Desktop\\附录1.4.csv,header=T) plot(Data1.4,type=o) ##不会定义坐标轴 #例2.3续 tdat1.4=Data1.4[,2] a1.4=acf(tdat1.4) #例2.3续 Box.test(tdat1.4,type=Ljung-Box,lag=6) Box.test(tdat1.4,type=Ljung-Box,lag=12) #例2.4随机产生1000个服从标准正态分布的白噪声序列观察值，并绘制时序图 Data2.4=rnorm(1000,0,1) Data2.4 plot(Data2.4,type=l) #例2.4续 a2.4=acf(Data2.4) #例2.4续 Box.test(Data2.4,type=Ljung-Box,lag=6) Box.test(Data2.4,type=Ljung-Box,lag=12) #例2.5对1950——1998年北京市城乡居民定期储蓄所占比例序列的平稳性与纯随机性进行检验 Data1.5=read.csv(C:\\Users\\Administrator\\Desktop\\附录1.5.csv,header=T) plot(Data1.5,type=o,xlim=c(1950,2010),ylim=c(60,100)) tdat1.5=Data1.5[,2] a1.5=acf(tdat1.5) #白噪声检验 Box.test(tdat1.5,type=Ljung-Box,lag=6) Box.test(tdat1.5,type=Ljung-Box,lag=12) #例2.5续选择合适的ARMA模型拟合序列 acf(tdat1.5) pacf(tdat1.5) #根据自相关系数图和偏自相关系数图可以判断为AR（1）模型 #例2.5续 P81 口径的求法在文档上 #P83 arima(tdat1.5,order=c(1,0,0),method=ML)#极大似然估计 ar1=arima(tdat1.5,order=c(1,0,0),method=ML) summary(ar1) ev=ar1$residuals acf(ev) pacf(ev) #参数的显著性检验 t1=0.6914/0.0989 p1=pt(t1,df=48,lower.tail=F)*2 #ar1的显著性检验 t2=81.5509/ 1.7453 p2=pt(t2,df=48,lower.tail=F)*2 #残差白噪声检验 Box.test(ev,type=Ljung-Box,lag=6,fitdf=1) Box.test(ev,type=Ljung-Box,lag=12,fitdf=1) #例2.5续P94预测及置信区间 predict(arima(tdat1.5,order=c(1,0,0)),n.ahead=5) tdat1.5.fore=predict(arima(tdat1.5,order=c(1,0,0)),n.ahead=5) U=tdat1.5.fore$pred+1.96*tdat1.5.fore$se L=tdat1.5.fore$pred-1.96*tdat1.5.fore$se plot(c(tdat1.5,tdat1.5.fore$pred),type=l,col=1:2) lines(U,col=blue,lty=dashed) lines(L,col=blue,lty=dashed) #例3.1