R语言在时间序列分析中的应用4.19.pdf

R 语言在时间序列分析中的应用 MiltonDeng from XMU R 语言在时间序列中的应用 2013.04.19 未完成 written by MiltonDeng, from department of Statistics, XMU 一、数据的读入与时间序列化 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 数据编制的函数。但在运用这些函数前，首先需要对序列进行时间序列化，即运用将一组数 据转化为时间序列数据这种数据形式。 ts(data = NA, start = 1, end = numeric(), frequency = 1 ) - data ： 要进行时间序列化的向量。如果是矩阵，会按列分别处理。 - start ： 起始时点。 - end ： 结束时点。 - frequency ： 频度。取12 时自动识别为月，4 时自动识别为季度。 首先，应该注意，与多元统计等统计分析不同，单变量时间序列根本上是一个向量，而 不是一个矩阵，或者一个表。因此，在读入时间序列数据时，常常会有一些不必要的麻烦。 由于数据整理时，数据编排往往不一致，所以应该注意以何种方式读入时间序列数据。 以txt 文件为例，假设这组时间序列为“5,4,2,3,6,1 ”，在文件中以如下方式出现 （人大 出版社，王燕老师的《应用时间序列分析》中的数据均以这种形式出现）： 5 4 2 3 6 1 如果以 read.table() 读入，读入的是一个2*3 的矩阵，如果直接以 ts() 时间序列化， R 会认为这是3 列数据，将对它们分别生成3 组时间序列数据。下面提供两种方法： （1）以scan()直接读入为向量。 （2 ）以read.table()读入这个矩阵为D，然后 D=t(D) # 因为是以行录入，所以要先转置 D=as.vector(D) #将矩阵线性化为向量D 二、描述时间序列 对于单组时间序列： （1）ts.plot(D) #可以直接对未ts 的向量绘图 （2 ）ts(D); plot(D) 如果D 是一个矩阵或frame ，可以对多个序列画在同一张图里。 三、自相关与偏自相关 自相关系数可以通过acf() 实现： acf( x, lag.max=NULL, type=c(correlation, covariance, partial), plot=TRUE ) R 语言在时间序列分析中的应用 MiltonDeng from XMU - x ：时间序列数据列。 - lag.max ：所计算的最大滞后阶数。 - type ：分别为“自相关系数”、“自协方差”、“偏自相关系数” - plot ：是否要绘出acf 的图形。 偏自相关可以通过 pacf() 实现，原理相似。也可以 acf() 中type=”partial”。 不过注意 acf 是从0 开始的，pacf 是从1 阶开始的。 四、平稳性检验 （1）时序图检验 平稳时间序列均值、方差为常数，因此可以直接用 plot() 检查时序图，平稳时间序列 应始终在一个常数值附近随机波动，而且波动范围有界。 （2 ）自相关图检验 平稳序列通常有短期相关性。因此自相关系数会很快地衰减向零。 （3 ）单位根检验 后面再讲。 下面我们观察几种特定时间序列的时序图与自相关图。 （1）确定趋势时间序列： 首先我们尝试生成一个带有随机扰动的线性趋势序列： X=seq(0.1,5,0.02) Y=2+0.8*X D=jitter(Y,am