r语言实现自相关分析和偏相关分析
r语言实现自相关分析和偏相关分析
自相关分析
为什么要做自相关分析:
对数据进行建模前首先要对数据有一个大致的理解,自相关分析可以帮助人们看出数据是否平稳,时间序列是否存在某种变化的趋势。
自相关简介:
自相关是指同一时间序列在不同时刻取值的相关程度,假设有时间序列xt,t=1,2,3,…,则在此时刻 t 和 t+n 之间的相关即为 n 阶自相关,其定义如下:
通俗上说,就是把一列数据按照滞后数拆成两列数据,再对这两列数据做类似相关系数的操作。如下图
通过r语言实现自相关分析:
在r语言中,可直接使用acf函数分析序列自相关性
函数定义:
acf(x,lag.max=NULL,type=c("correlation","covariance","partial"),plot=TRUE,na.nation=na.fail,demean=TRUE)
lag.max 为最大之后阶数,默认是10∗log10(n/m)10*log_10({n/m})10∗log10(n/m)
type 可设置计算 acf 的类型,默认是相关系数,还有协方差,偏相关系数。
na.nation 可用来处理缺失值,可以使用na.pass
下面对r自带的airmiles数据进行自相关分析。
acf(airmiles,type='correlation',lag.max=10)
输出结果:
由图可看出,滞后阶数为0时,相关系数为1,随着滞后阶数的增加。相关系数逐渐减弱并趋于稳定
偏相关分析
引出:
求出滞后k自相关系数p(k)时,实际上得到并不是x(t)与x(t-k)之间单纯的相关关系。因为中间会受到k-1个随机变量x(t-1)、x(t-2)、……、x(t-k+1)的影响,而这k-1个随机变量又都和x(t-k)具有相关关系,所以自相关系数p(k)里实际掺杂了其他变量对x(t)与x(t-k)的影响。
为了能单纯测度 x(t-k) 对 x(t) 的影响,引出偏自相关系数的概念。
直观上解释,对于平稳时间序列{x(t)},所谓滞后k偏自相关系数指在给定中间k-1个随机变量
x(t-1)、x(t-2)、……、x(t-k+1)的条件下,或者说,在剔除了中间k-1个随机变量
x(t-1)、x(t-2)、……、x(t-k+1)的干扰之后,x(t-k)对x(t)影响的相关程度。
r语言实现:
在r语言中,可直接使用pacf函数分析序列自相关性
函数定义及用法类似acf函数
pacf(airmiles,lag.max=10)
r语言实现自相关分析和偏相关分析相关推荐
- R语言使用Rtsne包进行TSNE分析:通过数据类型筛选数值数据、scale函数进行数据标准化缩放、提取TSNE分析结果合并到原dataframe中(tSNE with Rtsne package)
R语言使用Rtsne包进行TSNE分析:通过数据类型筛选数值数据.scale函数进行数据标准化缩放.提取TSNE分析结果合并到原dataframe中(tSNE with Rtsne package) ...
- R语言使用Rtsne包进行TSNE分析:提取TSNE分析结果合并到原dataframe中、可视化tsne降维的结果、并圈定降维后不匹配的数据簇(tSNE identifying mismatch)
R语言使用Rtsne包进行TSNE分析:提取TSNE分析结果合并到原dataframe中.可视化tsne降维的结果.并使用两个分类变量从颜色.形状两个角度来可视化tsne降维的效果.并圈定降维后不匹配 ...
- R语言诊断试验数据处理与ROC分析实战案例2
R语言诊断试验数据处理与ROC分析实战案例2 目录 R语言诊断试验数据处理与ROC分析实战案例2 #ROC指标 #样例数据
- R语言诊断试验数据处理与ROC分析实战案例1
R语言诊断试验数据处理与ROC分析实战案例1 目录 R语言诊断试验数据处理与ROC分析实战案例1 #ROC指标 #样例数据
- R语言诊断试验数据处理与ROC分析实战案例:联合诊断ROC
R语言诊断试验数据处理与ROC分析实战案例:联合诊断ROC 目录 R语言诊断试验数据处理与ROC分析实战案例:联合诊断ROC #ROC指标 #样例数据
- R语言时间序列(time series)分析实战:简单指数平滑法预测
R语言时间序列(time series)分析实战:简单指数平滑法预测 目录
- R语言时间序列(time series)分析实战:HoltWinters平滑法预测
R语言时间序列(time series)分析实战:HoltWinters平滑法预测 目录
- R语言时间序列(time series)分析实战:霍尔特指数Holt‘s平滑法预测
R语言时间序列(time series)分析实战:霍尔特指数Holt's平滑法预测 目录
- R语言时间序列(time series)分析实战:使用ARIMA模型预测时间序列
R语言时间序列(time series)分析实战:使用ARIMA模型预测时间序列 目录
- R语言Logistic逐步回归模型案例:分析与冠心病有关的危险因素
R语言Logistic逐步回归模型案例:分析与冠心病有关的危险因素 目录 R语言Logistic逐步回归模型案例:分析与冠心病有关的危险因素
最新文章
- matlab 地埋管温度场,地埋管换热器周围土壤冻结温度场的模拟研究
- YOLOv2和YOLOv3效果对比
- QT的QVectorIterator类的使用
- 洛谷P3195 [HNOI2008]玩具装箱TOY(单调队列优化DP)
- 窗体的布局 1124
- 100行Python代码实现一款高精度免费OCR工具
- 你是我心中永远抹不掉的痛
- HTML DOM Image 对象
- iostat 输出CPU、磁盘IO的使用情况统计信息
- 《沃顿商学院谈判课》读书笔记
- Unity---商店搭建
- mysql 全文索引 (N-gram parser)
- 洛谷——P2342 叠积木
- 由三个点坐标判断三个点能否组成三角形模板(自用,客官可取)
- P124黎曼可积性刻画 的两个备注
- 解决封号 Walmart最全申诉步骤
- 【总结】斜杠/和反斜杠\ 的区别
- [ 生活 ] 我有一个想法!
- 【python】爬取正在上映的豆瓣电影信息(etree、xpath)
- 零基础学Python--------第4章 序列的应用
热门文章
- opencv打开Lena图像,并且将Lena改成单通道的图片
- steamvr自定义按键_SteamVR SDK更新:带来运动平滑、自定义控制器键等多项功能
- 国外 Warez 网站 杂集
- android抓trace工具,Android性能优化工具之TraceView
- vmstat命令参数及其介绍
- 2020 数据中心机房建设方案
- 如何正确的寻找电影资源
- 瑞萨RH850开发环境搭建
- 分立元器件——电感器
- 一元购java源码下载_yungoucms - 源码下载|行业应用软件|其他行业|源代码 - 源码中国...