最近初步接觸了下如何用R語(yǔ)言進(jìn)行時(shí)間序列分析，自己動(dòng)手寫了段小代碼。

首先呢是生成隨機(jī)觀測(cè)值，接著畫出時(shí)間序列圖，然后進(jìn)行單根檢驗(yàn)和用 ACF 和 PACF 指令分別畫出自相關(guān)數(shù)和偏自相關(guān)系數(shù)圖。

隨機(jī)觀測(cè)值生成我用了兩種，一種是迭代隨機(jī)生成，一種是用arima.sim函數(shù)生成一列符合arima(p,q)模型的數(shù)據(jù)。

install.packages("tseries") #安裝"tseries"包，僅需在首次運(yùn)行時(shí)安裝 install.packages("forecast") #安裝"forecast"包，僅需在首次運(yùn)行時(shí)安裝library('forecast') #調(diào)出"tseries"包 library('tseries') #調(diào)出"forecast"包funy <- function(t) {return(ifelse(t>0, 0.75+0.85*funy(t-1), t)) } #構(gòu)造一個(gè)遞歸函數(shù)set.seed(1) #設(shè)定編號(hào)為1的隨機(jī)數(shù)種子，目的是下次重復(fù)時(shí)生成同樣的隨機(jī)數(shù)help u<-rnorm(500, mean=0, sd=1) #隨機(jī)生成500個(gè)服從正態(tài)分布的獨(dú)立同分布的白噪聲（均值為0，標(biāo)準(zhǔn)差為1）y<-vector()y<-vector() for(t in 1:500) {y[t]=funy(t)+u[t] } #循環(huán)調(diào)用遞歸函數(shù)和白噪聲生成函數(shù)，以生成500個(gè)觀測(cè)值mean(y) #計(jì)算均值E(yt) var(y) #計(jì)算方差Var(yt)plot.ts(y, col="blue", main="y變量的時(shí)間序列圖", xlab="t", ylab="y")adf.test(y, alternative="stationary") #adf單根驗(yàn)定Acf(y, main='y-AC') #作自相關(guān)圖 Pacf(y, main='y-PAC') #作偏自相關(guān)圖

install.packages("tseries") #安裝"tseries"包，僅需在首次運(yùn)行時(shí)安裝 install.packages("forecast") #安裝"forecast"包，僅需在首次運(yùn)行時(shí)安裝library('forecast') #調(diào)出"forecast"包 library('tseries') #調(diào)出"tseries"包set.seed(1) #設(shè)定編號(hào)為1的隨機(jī)數(shù)種子，目的是下次重復(fù)時(shí)生成同樣的隨機(jī)數(shù) y <- 0.75+arima.sim(list(ar=0.85), sd = sqrt(1), n = 500) #創(chuàng)建一組500筆的觀測(cè)值 print(y)mean(y) #計(jì)算均值E(yt) var(y) #計(jì)算方差Var(yt)plot.ts(y, col="blue", main="y變量的時(shí)間序列圖", xlab="t", ylab="y")adf.test(y, alternative="stationary") #adf單根驗(yàn)定Acf(y, main='y-AC') #作自相關(guān)圖 Pacf(y, main='y-PAC') #作偏自相關(guān)圖y.arima <- Arima(y, order=c(1,0,0)) #用Arima指令進(jìn)行時(shí)間序列回歸，arima中的order參數(shù)是order(p,d,q），由(e)結(jié)果看出p=1 summary(y.arima)

總結(jié)

以上是生活随笔為你收集整理的R语言-时间序列-arima模型-forecast、tseries包的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。