r语言：时间序列ARMA基础学习.docx

r语言：时间序列ARMA基础学习 ?26 二月, 2013,??oldlee11,? HYPERLINK /?cat=23 \o 查看 R语言与数据挖掘 中的全部文章 R语言与数据挖掘,? HYPERLINK /?cat=49 \o 查看 时间序列分析 中的全部文章 时间序列分析,  HYPERLINK /?p=1342 ? 01 02 03 04 05 06 07 08 09 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36#########################################? 术语 ################################# #白噪音：其均值=0，并且独立分布的（同时间无关） #稳定时间序列：任意j--i时间段的序列：其均值相等 #自相关系数acf图：研究y[t]同y[t-l]序列之间的相关性 #?????????????? 在纯的ma(q)序列下，acf图形表现为q+1以后的自相关系数约为0（虚线内） #偏相关系数pacf图：在y[t]同y[t-l]之间的序列固定的情况下，研究研究y[t]同y[t-l]序列之间的相关性 #?????????????? 在纯的ar(p)序列下，pacf图形表现为p+1以后的偏相关系数约为0（虚线内） #扩展相关系数图eacf：如果y[t]不是纯的ar或ma，而是arma（混合体），无法通过acf确定q，也不能通过pacf确认p，需要通过eacf确认p和q ################################################################################ ? ############################################### ####??????? 模拟产生ma ar arma 序列??????? #### ############################################### ? ##### MA 时间序列的模拟试验：产生一个ma时间序列 y.ma-function(a1,a2,a3=0,a4=0,num=200,pic=TRUE){#MA滑动平均时间序列的模拟（也可以使用filter函数） ????e-rnorm(num,0,1)#模拟白噪声,均值=0 ????result-0 ????result[1]-e[1] ????result[2]-e[2]-a1*e[1] ????result[3]-e[3]-a1*e[2]-a2*e[1] ????result[4]-e[4]-a1*e[3]-a2*e[2]-a3*e[1] ????for(t in 5:num){ result[t]-e[t]-a1*e[t-1]-a2*e[t-2]-a3*e[t-3]-a4*e[t-4] }#构造一个ma型时间序列 ????if(pic==TRUE){#画图形 ????????dev.new() ????????ts.plot(result,main=paste(y.ma[t]=e[t]-,a1,*e[t-1]-,a2,*e[t-2]-,a3,*e[t-3]-,a4,*e[t-4]的时间序列散点图)) ????????dev.new() ????????lag.plot(result, 9, do.lines=FALSE) ????????dev.new() ????????par(mfrow=c(2,1)) ????????acf(result, 30,main=paste(y.ma自相关图,y.ma[t]=e[t]-,a1,*e[t-1]-,a2,*e[t-2]-,a3,*e[t-3]-,a4,*e[t-4])) ????????pacf(result, 30,main=paste(y.ma偏自相关图,y.ma[t]=e[t]-,a1,*e[t-1]-,a2,*e[t-2]-,a3,*e[t-3]-,a4,*e[t-4])) ????} ????result } y.ma-y.ma(0.92,0.65)结果一：绘制散点图 结果二：绘制出y[t]同y[t-1](延迟1)、y[t-2](延迟2)……..y[t-9](延迟9)的2维散点图，用以观察y[t]同y[t-i]的相关性（i=1–9） 结果三：绘制自相关和偏自相关图（在虚线外的表示有相关性）?可以看到：1）在纯的ma(q)序列下，acf图形表现为q+1以后的自相关系数约为0（虚线内）2）在纯的ma(q)序列下，pacf则不规则的会大于1/