原文链接：http://tecdat.cn/?p=23000

原文出处：拓端数据部落公众号

分解南非GDP数据

本文包含各种过滤器，可用于分解南非GDP的方法。我们做的第一件事是清除当前环境中的所有变量。这可以通过以下命令进行。

rm(list = ls())
graphics.off()

载入数据

如前所述，南非的GDP数据将其作为时间序列存储在gdp中，我们执行以下命令。


gdp <- ts(dat.tmp, start = c(1960, 2), frequency = 4)

为了确保这些计算和提取的结果是正确的，我们检查一下数据的图表。

plot(gdp)

线性滤波器去除数据线性趋势

为了估计一个线性趋势，我们可以利用一个包括时间趋势和常数的线性回归模型。为了估计这样一个模型，我们使用lm命令，如下。

lin.mod$fitted.values  # 拟合值与时间趋势有关
ts(lin.trend, start = c(1960, 1))  # 为趋势创建一个时间序列变量
gdp - linear  # 周期是数据和线性趋势之间的差异

回归的拟合值包含与线性趋势有关的信息。这些信息需要从模型对象lin.mod中提取，在上面的块中，我们将这些值分配给时间序列对象linear。然后从数据中剔除趋势，就得到了周期。

然后我们可以借助下面的命令来绘制这个结果，其中趋势和周期被绘制在不同的数字上。

plot.ts(gdp, ylab = "")
lines(linear, col = "red")
legend("topleft", legend = c("data", "trend")

霍德里克 - 普雷斯科特 (Hodrick-Prescott，HP) 滤波器对数据进行去趋势处理

要用流行的HP滤波法分解这个数据。在这种情况下，我们将lambda的值设置为1600，这也是对季度数据的建议。

hp(gdp, freq = 1600)
plot.ts(gdp, ylab = "")  # 绘制时间序列
plot.ts(hp.decom$cycle, ylab = "")  # 绘制周期图

这似乎更准确地反映了我们对南非经济表现的理解。

用Baxter-King滤波器去趋势数据

为了利用Baxter-King 滤波器。在这种情况下，我们需要指定周期的频带，其上限被设定为32，下限被设定为6。

bk(gdp, pl = 6, pu = 32)
plot.ts(gdp, ylab = "")
plot.ts(cycle, ylab = "")

这似乎再次为南非经济活动的周期性提供了一个相当准确的表述。还要注意的是，周期的表示比以前提供的要平滑得多，因为噪音不包括在周期中。

Christiano-Fitzgerald滤波器去趋势数据

这个滤波器的性质与上面提供的非常相似。此外，产生与Baxter-King滤波器高度相似的结果。


plot.ts(gdp, ylab = "")plot.ts(cfcycle, ylab = "")

用Beveridge-Nelson分解法 "去趋势 "数据

为了将数据分解为随机趋势和平稳周期，我们可以采用Beveridge-Nelson分解法。当采用这种技术时，我们需要指定与平稳部分有关的滞后期的数量。在我下面的例子中，我假设有八个滞后期。

plot.ts(gdp, ylab = "")
lines(bn.trend, col = "red")
plot.ts(bn.cycle, ylab = "")

比较周期的不同衡量标准

然后，我们可以将所有这些结果结合在一张图上，考虑各自的相似性和差异。在这个例子中，我创建了一个时间序列ts.union，但是我也可以先绘制一个单一的序列，然后再使用lines命令在上面绘制连续的图。

 ts.union(lin.cycle, hp.decom, bp.decom, cf.decom, bn.cycle)plot.ts(comb, ylab = "")

谱分解

在我们考虑使用谱技术之前，最好先清除当前环境中的所有变量，并关闭所有的图。下一步是确保你可以通过使用library命令来访问这些包中的程序。

library(tsm)
library(TSA)
library(mFilter)

使用谱技术进行分解。我们可以为三个时间序列变量生成数值，然后将它们组合成一个单一的变量。

2 * cos(2 * pi * t * w[1]) + 3 * sin(2 * pi * t * w[1])  # no.obs点上的6个周期的频率
4 * cos(2 * pi * t * w[2]) + 5 * sin(2 * pi * t * w[2])  #频率为10个周期的观察点
6 * cos(2 * pi * t * w[3]) + 7 * sin(2 * pi * t * w[3])  # 在没有观测点的情况下，频率为40个周期
y <- x1 + x2 + x3

为了观察这些变量，我们可以把它们绘制在一个单独的轴上。

par(mfrow = c(2, 2), mar = c(2.2, 2.2, 2, 1), cex = 0.8)
plot(x1, type = "l", main = "x1")
plot(x2, type = "l", main = "x2")
plot(x3, type = "l", main = "x3")
plot(y, type = "l", main = "y")

此后，我们可以使用周期图来考虑这些时间序列变量的每一个属性。

gram(y, main = "y", col = "red")

当然，我们可以利用一个过滤器，从总体时间序列变量中去除一些不需要的成分。为此，我们可以应用上下限相对较窄的Christiano-Fitzgerald滤波器。此后，我们使用应用于与周期有关的信息的周期图，来调查它是否成功地剔除了一些频率成分。

cf(y0)
gram(cycle)

这个结果将表明，滤波器已经排除了大部分的高频率成分。为了看看这个周期与之前的数据有什么关系，我们把通过滤波器的周期性信息绘制在分量上。此外，我们还将这个结果绘制在综合周期的变量上。

plot(x1, type = "l", lty = 1)
lines(cycle, lty = 3, lwd = 3)
plot(y, type = "l", lty = 1)
lines(cycle, lty = 3, lwd = 3)

在这两种情况下，它似乎都对过程中的趋势做了合理的描述。

南非商业周期的谱分解法

为了考虑如何在实践中使用这些频谱分解，我们现在可以考虑将这些技术应用于南非商业周期的各种特征中。

下一步将是运行所有的过滤器，这些过滤器被应用于识别南非商业周期的不同方法。

现在，让我们对商业周期的每一个标准应用一个周期图。

线性滤波器提供了一个很差的结果，因为趋势明显占主导地位（这不是周期应该有的）。这与Hodrick-Prescott滤波器的特征形成对比，后者的趋势信息已经被去除。Baxter & King和Christiano & Fitzgerald的带通滤波器也是这种情况。在这两种情况下，噪声也已经被去除。最后的结果与Beveridge-Nelson分解有关，我们注意到周期包括大量的趋势和大量的噪声。

小波分解

为了提供一个小波分解的例子，我们将把该方法应用于南非通货膨胀的数据。这将允许使用在这个过程中推导出对趋势的另一种衡量方法，这可以被认为是代表核心通货膨胀。请注意，这种技术可以应用于任何阶数的单整数据，所以我们不需要首先考虑变量的单整阶数。

然后，我们将利用消费者价格指数的月度数据，该数据包含在SARB的季度公告中。数据可以追溯到2002年。为了计算通货膨胀的同比指标，我们使用diff和lag命令。

diff/cpi[-1 * (length - 11):length]

为了确保所有这些变量的转换都已正确进行，我们对数据进行绘图。

plot(inf.yoy)

由于我们在这种情况下主要对识别平滑的趋势感兴趣，我们将使用贝希斯函数。这样的函数是Daubechies 4小波，它应用修正的离散小波变换方法。此外，我们还将使用三个母小波来处理各自的高频成分。

wt(yoy, "d4")

然后我们可以为每个独立的频率成分绘制结果，如下所示。

plot.ts(yoy)
for (i in 1:4) plot.ts(d4[[i]]

如果我们现在想在数据上绘制趋势（父小波）。

plot.ts(inf, ylab = "inf")
lines(ren)

请注意，由于各自的频段是相加的，我们可以将其中一个母频段加入到趋势中，如下所示。

inf.tmp <- inf.tren + inf.d4$w3
inf.tren2 <- ts(inf.tmp, start = c(2003, 1), frequency = 12)plot.ts(inf.yoy, ylab = "inf")
lines(inf.tren2, col = "red")

相关经济变量的周期性成分之间的相关性

为了确定周期的特征是否合适，我们可以考虑宏观经济总量的一些不同周期性方法之间的相关性。例如，我们可以考虑产出和生产（或就业）的周期性在不同的滞后期应该是相关的。如果它们不相关，那么该方法可能无法准确描述各自变量的周期性成分。

在本文使用的例子中，代码可能有点难以理解，但我们鼓励你自己去研究，以提高你对这个编码环境的总体理解。

下一步是读入数据并为数据的各种周期性成分创建一些矩阵。

yd <- dat[5:n.obs, ] - dat[1:(n.obs - 4), ]  # 存储输出yc_li <- matrix(rep(0, n.obs * n.var), ncol = n.var)
yc_hp <- matrix(rep(0, n.obs * n.var), ncol = n.var)
yc_bp <- matrix(rep(0, n.obs * n.var), ncol = n.var)
yc_bn <- matrix(rep(0, n.obs * n.var), ncol = n.var)

使用上面包含的方法对数据进行过滤。

for (i in 1:n) {# 用线性滤波器对数据进行去趋势处理lin.mod <- lm(dat[, i] ~ time(dat[, i]))# 用HP滤波器去趋势数据yc_hp[, i] <- hp.cycle#用带通滤波器去趋势数据yc_bp[, i] <- bp.cycle#  Beveridge-Nelson分解yc_bn[, i] <- bn.[, 2]
}

计算不同提前期和滞后期的相关关系。

for (i in 1:n) {for (j in 1:n.var) {c_li <- leadlag(yc_li[, i], yc_li[, j], maxLeadLag)c_hp <- leadlag(yc_hp[, i], yc_hp[, j], maxLeadLag)c_bp c_bnc_yd for (k in 1:5) {ynamesLong[(cnt + k), 1] <- paste(ynames.tmp)}cnt <- cnt + 5

绘制结果。

# 线性趋势barplot(corrStylizedFact)
box()

# hp滤波器op <- par(mfrow = c(1, 3))
barplot(corrStyli, ylim = c(-1, 1))
box()


# beveridge nelson 分解
barplot(coracts, ylim = c(-1, 1), col = "red")
box()

最受欢迎的见解

1.在python中使用lstm和pytorch进行时间序列预测

2.python中利用长短期记忆模型lstm进行时间序列预测分析

3.使用r语言进行时间序列（arima，指数平滑）分析

4.r语言多元copula-garch-模型时间序列预测

5.r语言copulas和金融时间序列案例

6.使用r语言随机波动模型sv处理时间序列中的随机波动

7.r语言时间序列tar阈值自回归模型

8.r语言k-shape时间序列聚类方法对股票价格时间序列聚类

9.python3用arima模型进行时间序列预测

拓端tecdat|R语言分解商业周期时间序列数据：线性滤波器、HP滤波器、Baxter King滤波器、Beveridge Nelson分解等去趋势方法相关推荐

拓端tecdat|R语言用LOESS(局部加权回归)季节趋势分解（STL）进行时间序列异常检测
最近我们被客户要求撰写关于LOESS(局部加权回归)的研究报告,包括一些图形和统计输出. 这篇文章描述了一种对涉及季节性和趋势成分的时间序列的中点进行建模的方法.我们将对一种叫做STL的算法进行研究, ...
拓端tecdat|R语言逻辑回归（Logistic回归）模型分类预测病人冠心病风险
最近我们被客户要求撰写关于冠心病风险的研究报告,包括一些图形和统计输出. 相关视频:R语言逻辑回归(Logistic回归)模型分类预测病人冠心病风险逻辑回归Logistic模型原理和R语言分类预测冠 ...
拓端tecdat|R语言向量误差修正模型 (VECMs)分析长期利率和通胀率影响关系
最近我们被客户要求撰写关于向量误差修正模型的研究报告,包括一些图形和统计输出. 向量自回归模型估计的先决条件之一是被分析的时间序列是平稳的.但是,经济理论认为,经济变量之间在水平上存在着均衡关系,可以 ...
拓端tecdat|R语言线性回归和时间序列分析北京房价影响因素可视化案例
最近我们被客户要求撰写关于北京房价影响因素的研究报告,包括一些图形和统计输出. 目的房价有关的数据可能反映了中国近年来的变化: 人们得到更多的资源(薪水),期望有更好的房子人口众多独生子女政策: ...
R语言ggplot2可视化时间序列数据并添加稳定趋势线识别数据的稳定趋势
R语言ggplot2可视化时间序列数据并添加稳定趋势线识别数据的稳定趋势目录 R语言ggplot2可视化时间序列数据并添
R语言ggplot2可视化时间序列数据：ggplot2可视化在时间轴上添加按月的箱图（boxplot）
R语言ggplot2可视化时间序列数据:ggplot2可视化在时间轴上添加按月的箱图(boxplot) 目录
R语言ggplot2可视化时间序列数据并突出标注重要时间点数据实战：特殊节点标签标注、特殊区域标注
R语言ggplot2可视化时间序列数据并突出标注重要时间点数据实战:特殊节点标签标注.特殊区域标注目录
R语言ggplot2可视化时间序列散点图、X轴和Y轴都是时间信息、使用as.POSIXct函数自定义指定Y轴的时间范围（setting time limits in y axis）
R语言ggplot2可视化时间序列散点图.X轴和Y轴都是时间信息.使用as.POSIXct函数自定义指定Y轴的时间范围(setting time limits in y axis) 目录
拓端tecdat荣获掘金社区入驻新人奖
2021年7月,由掘金发起了"入驻成长礼"颁奖活动.本次活动邀请到知名开发者.服务机构代表等业界人士. 据了解,掘金社区"新入驻创作者礼"主要对已经积累了一定历 ...
拓端tecdat荣获2022年度51CTO博主之星
相信技术,传递价值,这是51CTO每一个技术创作者的动力与信念,2022 年度,拓端tecdat 作为新锐的数据分析咨询公司,在51CTO平台上,不断的输出优质的技术文章,分享前沿创新技术,输出最佳生 ...

拓端tecdat|R语言分解商业周期时间序列数据：线性滤波器、HP滤波器、Baxter King滤波器、Beveridge Nelson分解等去趋势方法