R:应用时间序列分析--基于R(2)第二章 时间序列的预处理
第二章 时间序列的预处理
- 2.1平稳序列的定义
- 2.1.1特征统计量
- 2.1.2 平稳时间序列的定义
- 严平稳
- 宽平稳
- 2.1.3 平稳时间序列的统计特征
- 2.1.4 平稳时间序列的意义
- 2.2 平稳性检验***
- 2.2.1 时序图检验
- 自相关图检验
- 2.3 纯随机性检验***
- 2.3.1 纯随机序列定义
- 2.3.2 纯随机序列的性质
- 纯随机性
- 方差齐性
- 2.3.3 纯随机性检验****
- 运用假设检验的方式对序列的纯随机性进行检验
- 假设条件
- 检验统计量
2.1平稳序列的定义
2.1.1特征统计量
概率分布
特征统计量
2.1.2 平稳时间序列的定义
严平稳
宽平稳
满足以下三个条件:
2.1.3 平稳时间序列的统计特征
2.1.4 平稳时间序列的意义
2.2 平稳性检验***
2.2.1 时序图检验
##导入数据(以后最好导入CSV格式数据)
dat1<-read.csv("F:/应用时间序列分析/时间序列分析——基于R(第2版)案例数据/A1_4.csv")
percent<-ts(dat1$percent,start=1978)
plot(percent)
dat2<-read.csv("F:/应用时间序列分析/时间序列分析——基于R(第2版)案例数据/A1_5.csv")
rain<-ts(dat2$rain,start = c(1970,1),frequency = 12)
plot(rain)
dat3<-read.csv("F:/应用时间序列分析/时间序列分析——基于R(第2版)案例数据/A1_6.csv")
Suicide<-ts(dat3$Suicide,start = 1915)
plot(Suicide)
自相关图检验
运用函数acf
acf(x , lag.max= , plot= )
- x : 变量名
- lag.max = : 延迟阶数。 若用户缺省这个参数,系统会根据序列的长度自动指定延迟阶数。
- plot = : 输出自相关图还是自相关系数
(1)系统默认参数是 plot=True ,即只输出自相关图,不输出自相关系数。
(2)若指定是 plot = False , 则只输出自相关系数,不输出自相关图。
(3)获取自相关图之后,可以用 acf(x)$acf 查看自相关系数
acf(percent , lag.max = 25)
acf(rain,lag.max = 36)
2.3 纯随机性检验***
2.3.1 纯随机序列定义
正态分布随机数生成函数是 rnorm 。
rnorm(n = , mean = , sd = )
###产生1000个服从标准正态分布的随机数构成的一个白噪声序列
white_noise<-rnorm(1000)
white_noise<-ts(white_noise)
plot(white_noise)
2.3.2 纯随机序列的性质
纯随机性
方差齐性
2.3.3 纯随机性检验****
###产生1000个服从标准正态分布的随机数构成的一个白噪声序列
white_noise<-rnorm(1000)
white_noise<-ts(white_noise)
plot(white_noise)
###绘制白噪声序列的样本自相关图
acf(white_noise)
acf(white_noise,lag.max = 5)$acf
运用假设检验的方式对序列的纯随机性进行检验
假设条件
原假设:延迟期数小于等于m期的序列值之间相互独立。
备择假设:延迟期数小于等于m期的序列值之间具有相关性
检验统计量
Q统计量
LB统计量
运用 Box.test 函数进行序列的纯随机性检验
Box.test (x , type = , lag= )
- x : 变量名
- type : 检验统计量类型
(1)type = "Box-Pierce " Q统计量
(2)type = “Ljung-Box” LB统计量
# 录入数据
x <- c(10,15,10,10,12,10,7,7,10,14,8,17,14,18,3,9,11,10,6,12,14,10,25,29,33,33,12,19,16,19,19,12,34,15,36,29,26,21,17,19,13,20,24,12,6,14,6,12,9,11,17,12,8,14,14,12,5,8,10,3,16,8,8,7,12,6,10,8,10,5)
x <- ts(x)
# 绘制时序图
plot(x)
# 绘制自相关图,延迟20阶
acf(x,lag.max = 20,main="lag.max = 20")
# 纯随机性检验,延迟10阶
Box.test(x,type = "Box-Pierce",lag = 10)
Box.test(x,type = "Ljung-Box",lag = 10)y <- diff(x)
# 绘制时序图
plot(y)
# 绘制自相关图,延迟20阶
acf(y,lag.max = 20,main="lag.max = 20")
# 纯随机性检验,延迟10阶
Box.test(y,type = "Box-Pierce",lag = 10)
Box.test(y,type = "Ljung-Box",lag = 10)
# P46/1
x<-c(1:20)
x<-ts(x)
##第一问
plot(x,type='o')
##第二问
acf(x,lag.max = 6 , main='lag.max = 6')
acf(x)$acf
##第三问
acf(x,lag.max = 20 , main='lag.max = 20')
acf(x)$acf##P47/4
# 输入12个样本自相关系数
rho <- c(0.02,0.05,0.1,-0.02,0.05,0.01,0.12,-0.06,0.08,-0.05,0.02,-0.05)# 样本量为100
n = 100# 计算Q统计量
Q <- n*sum(rho**2)
qchisq(0.95,12)
# Q=4.57明显小于临界值chisq(12)=21.03,所以无法拒绝原假设,认为改序列为纯随机序列。# 计算LB统计量
k <- c(1:12)
mr = rho**2/(n-k)
LB <- n*(n+2)*sum(mr)
qchisq(0.95,12)
# Q=4.57明显小于临界值chisq(12)=21.03,所以无法拒绝原假设,认为改序列为纯随机序列。#P48/6
##第一问
# 录入数据
x <- c(10,15,10,10,12,10,7,7,10,14,8,17,14,18,3,9,11,10,6,12,14,10,25,29,33,33,12,19,16,19,19,12,34,15,36,29,26,21,17,19,13,20,24,12,6,14,6,12,9,11,17,12,8,14,14,12,5,8,10,3,16,8,8,7,12,6,10,8,10,5)
x <- ts(x)
# 绘制时序图
plot(x)
# 绘制自相关图,延迟20阶
acf(x,lag.max = 20,main="lag.max = 20")
# 纯随机性检验,延迟10阶
Box.test(x,type = "Box-Pierce",lag = 10)
Box.test(x,type = "Ljung-Box",lag = 10)##第二问
y <- diff(x)
# 绘制时序图
plot(y)
# 绘制自相关图,延迟20阶
acf(y,lag.max = 20,main="lag.max = 20")
# 纯随机性检验,延迟10阶
Box.test(y,type = "Box-Pierce",lag = 10)
Box.test(y,type = "Ljung-Box",lag = 10)
R:应用时间序列分析--基于R(2)第二章 时间序列的预处理相关推荐
- 【转】时间序列分析——基于R,王燕
<时间序列分析--基于R>王燕,读书笔记 笔记: 一.检验: 1.平稳性检验: 图检验方法: 时序图检验:该序列有明显的趋势性或周期性,则不是平稳序列 自相关图检验:(acf函数)平稳序列 ...
- 时间序列分析——基于R | 第2章 时间序列的预处理习题代码
时间序列分析--基于R | 第2章 时间序列的预处理习题 1.考虑序列{1,2,3,4,5,-,20} 1.1判断该序列是否平稳 x <- seq(1,20);x ## [1] 1 2 3 4 ...
- 时间序列分析——基于R 王燕 版本 复习整理
目录 1.时间序列分析 时间序列的定义: 两种时间序列的分析方法: (1)描述性时序分析 (2)统计时序分析 2.时间序列的预处理 平稳性检验 纯随机性检验(白噪声检验) 3.平稳时间序列分析 方法性 ...
- 时间序列分析——基于R语言案例数据课后数据
去这个www.crup.com.cn网址搜,里面全都有.免费的.
- r软件时间序列分析论文_高度比较的时间序列分析-一篇论文评论
r软件时间序列分析论文 数据科学 , 机器学习 (Data Science, Machine Learning) In machine learning with time series, using ...
- 《应用时间序列分析:R软件陪同》——1.5 习题
本节书摘来自华章计算机<应用时间序列分析:R软件陪同>一书中的第1章,第1.5节,作者:吴喜之,刘苗著, 更多章节内容可以访问云栖社区"华章计算机"公众号查看. 1.5 ...
- 《应用时间序列分析:R软件陪同》——2.3 随机游走
本节书摘来自华章计算机<应用时间序列分析:R软件陪同>一书中的第2章,第2.3节,作者:吴喜之,刘苗著, 更多章节内容可以访问云栖社区"华章计算机"公众号查看.
- R语言时间序列分析-根据aic值选择arima模型
在上一篇中,探讨了R语言时间序列分析常用步骤,如何比对AIC值判断最优模型?代码和解释如下: #WWWusage是datasets包自带的每分钟通过服务器连接到因特网的用户数的长度为100的时间序列数 ...
- R语言时间序列分析之ARIMA模型预测
R语言时间序列分析之ARIMA模型预测 今天学习ARIMA预测时间序列. 指数平滑法对于预测来说是非常有帮助的,而且它对时间序列上面连续的值之间相关性没有要求.但是,如果你想使用指数平滑法计算出预测区 ...
- 《应用时间序列分析:R软件陪同》——导读
** 前言 ** 首先,一些教材偏重于数学理论和推导.作者多为数学出身,他们习惯于数学的严格性和导出精确而又漂亮的数学结论.这些书适用于那些愿意为时间序列的数学理论研究做出贡献的读者. 其次,国内教材 ...
最新文章
- 如何啃下C++这块复杂又难学的硬骨头?
- 2021年码农应该了解的所有机器学习算法
- 连你的免疫系统都拒绝996:半夜吃东西更容易拉肚子 | Cell
- Hadoop命令手册
- 墨菲的鬼魂重现 / 金蝶ERP 资安大漏洞 (非授权补丁自动下载安装)
- 用C++流成员函数put输出单个字符
- struts处理中文乱码问题总结
- html网页如何传递接收地址参数
- 如何使用Syncios Data Recovery直接从 iOS 设备恢复数据?
- JavaScript:jklyDB
- html中元素的几种居中方法
- 密码学·编码类密码·CTF常见考察密码
- ubuntu安装wps后缺少字体无法打开
- 蒸汽管道图纸符号_管道图形符号
- 70 Three.js 导入STL格式的模型
- 无人驾驶卡车开上干线,嬴彻科技、主线科技们如何拿下产业化赛点?
- QQ邮箱账号异常登录
- 关于两个数相乘, 求其为多少进制
- 网上销售平台--需求分析(二)
- js兼容安卓和IOS的复制文本到剪切板,已做浏览器兼容处理,勿需插件
热门文章
- 周公解梦|做梦的解释|鬼压床|为什么会做梦
- 用计算机键盘如何截屏,键盘上哪个键是截图 电脑键盘截图快捷键用法
- [ 物联网篇 ] 03 - Yocto Project (YP)构建 Alexa SDK
- android httpclient版本,Android studio使用http 没有 HttpClient
- Premiere cc 2019安装教程及安装包
- 【Paper】2015_Coordinated cruise control for high-speed train movements based on a multi-agent model
- 自动驾驶仿真:角雷达坐标系转换详解
- 【制作】基于金沙滩51单片机的贪吃蛇程序
- Redis 入门指南
- Windows服务器高并发处理IOCP(完成端口)详细说明