精华内容
下载资源
问答
  • 时间序列分析r语言练习数据。时间序列分析(Time-Series Analysis)是指将原来的销售分解为四部分来看——趋势、周期、时期和不稳定因素, 然后综合这些因素, 提出销售预测。强调的是通过对一个区域进行一定时间段内...
  • 时间序列分析基于R很好的课件,分享给大家,一起学习,共同进步。
  • 时间序列分析很好的课件,分享给大家,共同学习,共同进步。
  • 时间序列分析基于R——习题答案.doc
  • 时间序列分析基于R课件,分享给大家,一起学习,共同进步
  • 这本书非常适合时间序列入门,并且操作非常详细,求积分
  • 在更仔细地研究特定的统计方法之前,应该先提到存在两种单独的,但不一定是互斥的时间序列分析方法,通常被识别为时域方法和频域方法。时域方法将对滞后关系的研究视为最重要的(例如,今天发生的事情如何影响明天的...

    Chapter 1 时间序列的特征

    在更仔细地研究特定的统计方法之前,应该先提到存在两种单独的,但不一定是互斥的时间序列分析方法,通常被识别为时域方法和频域方法。时域方法将对滞后关系的研究视为最重要的(例如,今天发生的事情如何影响明天的事情),而频域方法则将对周期的研究视为最重要的(例如,什么是经济周期扩张和衰退期)。

    时间序列数据的性质

    季度收益

    可以通过考虑从不同主题领域获得的实际实验数据来最好地揭示预期时间序列分析员感兴趣的一些问题。以下情况说明了一些常见的实验时间序列数据,以及一些可能会询问此类数据的统计问题。

    library(astsa)
    plot(jj, type = 'o', ylab = "Quarterly Earnings per Share")
    

    全球变暖

    plot(globtemp, type = 'o', ylab = "Global Temperature Deviations")
    

    声音数据

    plot(speech)
    

    白噪声

    相互独立,均值为 0 0 0,具有有限方差 σ w 2 \sigma^2_w σw2的序列。
    w t ∼ w n ( 0 , σ w 2 ) w_t\sim w_n(0, \sigma_w^2) wtwn(0,σw2)
    有时候我们也要求噪声均值为 0 0 0,方差为 σ w 2 \sigma_w^2 σw2且是独立同分布,记作:
    w t ∼ iid ( 0 , σ w 2 ) w_t\sim\text{iid}(0,\sigma_w^2) wtiid(0,σw2)
    一种特别有用的白噪声是高斯白噪声,其中 w t w_t wt为独立的正态分布变量,均值为 0 0 0,方差为 σ w 2 \sigma_w^2 σw2,或更简洁地说:
    w t ∼ iid N ( 0 , σ w 2 ) w_t\sim\text{iid}N(0,\sigma_w^2) wtiidN(0,σw2)

    移动平均和滤波

    我们可以使用序列的移动平均代替白噪声序列 w t w_t wt。如:
    v t = 1 3 ( w t − 1 + w t + w t + 1 ) v_t = \frac{1}{3}(w_{t-1}+w_t+w_{t+1}) vt=31(wt1+wt+wt+1)

    w <- rnorm(500, 0, 1)
    # sides可以取1或2,对应于不同形式,一试便知,filter表示几步移动平均
    v <- filter(w, sides = 2, filter = rep(1 / 3, 3))
    par(mfrow = c(2, 1))
    plot.ts(w, main = "white noise")
    plot.ts(v, ylim = c(-3, 3), main = "moving average")
    

    自回归

    使用白噪声生成自回归模型:
    x 1 = w 1 x 2 = x 1 + w 2 = w 1 + w 2 ⋯ x t = x t − 1 − 0.9 x t − 2 + w t x_1 = w_1\\ x_2 = x_1 + w_2 = w_1 + w_2\\ \cdots\\ x_t = x_{t-1} - 0.9x_{t-2} + w_t x1=w1x2=x1+w2=w1+w2xt=xt10.9xt2+wt

    w <- rnorm(550, 0, 1)
    x <- filter(w, filter = c(1, -0.9), method = "recursive")[-(1:50)]
    plot.ts(x, main = "autoregression")
    

    随机漫步

    带漂移的随机漫步模型:
    x t = δ + x t − 1 + w t , t = 1 , 2 , ⋯   , x 0 = 0 x_t = \delta + x_{t-1} + w_t,\quad t = 1,2,\cdots,x_0=0 xt=δ+xt1+wt,t=1,2,,x0=0
    w t w_t wt是白噪声, δ \delta δ被称作漂移,当 δ = 0 \delta=0 δ=0时,上式被称为简单随机漫步。

    我们重写上式可以得到:
    x t = δ t + ∑ i = 1 t w i x_t = \delta t+\sum_{i=1}^t w_i xt=δt+i=1twi

    set.seed(154)
    w <- rnorm(200)
    x <- cumsum(w)
    wd <- w + 0.2
    xd <- cumsum(wd)
    plot.ts(xd, ylim = c(-5, 55), main = "random walk", ylab = "")
    lines(x, col = 4)
    abline(h = 0, col = 4, lty = 2)
    abline(a = 0, b = 0.2, lty = 2)
    

    噪声中的信号

    w <- rnorm(500)
    cs <- 2 * cos(2 * pi * 1:500 / 50 + 0.6 * pi)
    par(mfrow = c(3, 1), mar = c(3, 2, 2, 1), cex.main = 1.5)
    plot.ts(cs, main = expression(2 * cos(2 * pi * t / 50 + 0.6 * pi)))
    plot.ts(cs + w,
        main = expression(2 * cos(2 * pi * t / 50 + 0.6 * pi) + N(0, 1))
    )
    plot.ts(cs + 5 * w,
        main = expression(2 * cos(2 * pi * t / 50 + 0.6 * pi) + N(0, 25))
    )
    

    Measures of Dependence

    联合概率密度:
    F t 1 , t 2 , ⋯   , t n ( c 1 , c 2 , ⋯   , c n ) = P r ( x t 1 ≤ c 1 , x t 2 ≤ c 2 , ⋯   , x t n ≤ c n ) F_{t_1,t_2,\cdots,t_n}(c_1,c_2,\cdots,c_n) = Pr(x_{t1}\le c_1, x_{t_2}\le c_2, \cdots,x_{t_n}\le c_n) Ft1,t2,,tn(c1,c2,,cn)=Pr(xt1c1,xt2c2,,xtncn)
    不幸的是,除非随机变量为联合正态分布,否则这些多维分布函数通常不容易编写,在这种情况下,联合密度具有众所周知的形式。

    边缘分布:
    F t ( x ) = P ( x t ≤ x ) F_t(x) = P(x_t\le x) Ft(x)=P(xtx)
    或者与此相关的边缘概率密度函数
    f t ( x ) = ∂ F t ( x ) ∂ x f_t(x) = \frac{\partial F_t(x)}{\partial x} ft(x)=xFt(x)
    均值函数定义为:
    μ x t = E ( x t ) = ∫ − ∞ ∞ x f t ( x ) d x \mu_{x_t} = E(x_t) =\int_{-\infty}^{\infty} xf_t(x)dx μxt=E(xt)=xft(x)dx

    移动平均的均值:
    μ v t = E ( v t ) = 1 3 [ E ( w t − 1 ) + E ( w t ) + E ( W t + 1 ) ] = 0 \mu_{v_t} = E(v_t) = \frac{1}{3}[E(w_{t-1})+E(w_t)+E(W_{t+1})] = 0 μvt=E(vt)=31[E(wt1)+E(wt)+E(Wt+1)]=0
    随机漫步的均值
    μ x t = E ( x t ) = δ t + ∑ j = 1 t E ( w j ) = δ t \mu_{xt} = E(x_t) = \delta t + \sum_{j=1}^tE(w_j) = \delta t μxt=E(xt)=δt+j=1tE(wj)=δt

    自回归系数
    γ x ( s , t ) = c o v ( x s , x t ) = E [ ( x s − μ s ) ( x t − μ t ) ] \gamma_x(s,t) = cov(x_s,x_t) = E[(x_s-\mu_s)(x_t-\mu_t)] γx(s,t)=cov(xs,xt)=E[(xsμs)(xtμt)]

    白噪声的自相关系数
    γ w ( s , t ) = c o v ( w s , w t ) = { σ w 2 s = t , 0 s ≠ t . \gamma_w(s,t) = cov(w_s, w_t) = \left\{\begin{aligned} \sigma_w^2\quad s&=&t,\\ 0\quad s&\neq& t. \end{aligned}\right. γw(s,t)=cov(ws,wt)={σw2s0s==t,t.
    线性组合的自相关系数
    U = ∑ j = 1 m a j X j and V = ∑ k = 1 r b k Y k U = \sum_{j=1}^m a_jX_j\quad\text{and}\quad V = \sum_{k=1}^rb_kY_k U=j=1majXjandV=k=1rbkYk

    c o v ( U , V ) = ∑ j = 1 m ∑ k = 1 r a j b k c o v ( X j , Y k ) cov(U,V) = \sum_{j=1}^m\sum_{k=1}^ra_jb_kcov(X_j,Y_k) cov(U,V)=j=1mk=1rajbkcov(Xj,Yk)

    自相关函数(ACF)
    ρ ( s , t ) = γ ( s , t ) γ ( s , s ) γ ( t , t ) \rho(s,t) = \frac{\gamma(s,t)}{\sqrt{\gamma(s,s)\gamma(t,t)}} ρ(s,t)=γ(s,s)γ(t,t) γ(s,t)
    假设有两个事件序列 x t , y t x_t,y_t xt,yt,定义互相关函数CCF
    γ x y ( s , t ) = c o v ( x s , y t ) = E [ ( x s − μ x s ) ( y t − μ y t ) ] ρ x y ( s , t ) = γ x y ( s , t ) γ x ( s , s ) γ y ( t , t ) \gamma_{xy}(s,t) = cov(x_s,y_t) = E[(x_s-\mu_{xs})(y_t-\mu_{yt})]\\ \rho_{xy}(s,t) = \frac{\gamma_{xy}(s,t)}{\sqrt{\gamma_x(s,s)\gamma_y(t,t)}} γxy(s,t)=cov(xs,yt)=E[(xsμxs)(ytμyt)]ρxy(s,t)=γx(s,s)γy(t,t) γxy(s,t)

    $
    假设有两个事件序列 x t , y t x_t,y_t xt,yt,定义互相关函数CCF
    γ x y ( s , t ) = c o v ( x s , y t ) = E [ ( x s − μ x s ) ( y t − μ y t ) ] ρ x y ( s , t ) = γ x y ( s , t ) γ x ( s , s ) γ y ( t , t ) \gamma_{xy}(s,t) = cov(x_s,y_t) = E[(x_s-\mu_{xs})(y_t-\mu_{yt})]\\ \rho_{xy}(s,t) = \frac{\gamma_{xy}(s,t)}{\sqrt{\gamma_x(s,s)\gamma_y(t,t)}} γxy(s,t)=cov(xs,yt)=E[(xsμxs)(ytμyt)]ρxy(s,t)=γx(s,s)γy(t,t) γxy(s,t)

    展开全文
  • 时间序列分析基于R_习题答案.docx
  • 人大版,白皮,时间序列分析-基于R的数据,非常有用。
  • 主要讲诉采用R语言来作图和分析数据,包含时间序列模型及时应用,内容包括趋势、平稳及非平稳时间序列模型、模型识别、参数估计、模型诊断、预测、时间序列回归模型、异方差模型、谱分析入门、谱估计和门限模型等。
  • 王燕。时间序列分析 R语言 案例和习题,用于R语言的操作练习
  • 时间序列分析.pdf

    2018-01-29 20:58:16
    时间序列分析,对于数据处理很有帮助的书籍,适合初学者
  • 去这个www.crup.com.cn网址搜,里面全都有。免费的。 ![在这里插入图片描述](https://img-blog.csdnimg.cn/20210622172818515.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR... ...

    去这个www.crup.com.cn网址搜,里面全都有。免费的。
    在这里插入图片描述

    展开全文
  • #安装程序包 install.packages(...#输入时间序列 price<-c(101,82,66,35,31,7) price<-ts(price,start=c(2005,1),frequency = 12) price price<-scan() price<-ts(price,start=c(2005,1),frequency =


    注:教材为《时间序列分析——基于R》 王燕 编著 中国人民大学出版社

    1.1 引言

    1.2时间序列的定义

    1.3 时间序列的分析方法

    1.3.1 描述性时序分析

    1.3.2 统计时序分析

    频域分析方法(谱分析法)

    时域分析方法

    1.4 R简介

    安装程序包

    install.packages("tseries")##安装程序包
    library(tseries)###调用程序包
    

    赋值

    x<-3
    y<-2*x+1
    z<-y^2
    
    x
    y
    z
    

    输入时间序列

    price<-c(101,82,66,35,31,7)
    price<-ts(price,start=c(2005,1),frequency = 12)
    price
    price<-scan()  ###使用列输入
    price<-ts(price,start=c(2005,1),frequency = 12)
    
    x<-read.table("C:/Users/Daisy/Desktop/时间序列/data/file1.csv",sep=",",header=T)
    x
    yield
    x$yield
    
    yield<-ts(x$yield,start=1884,frequency=1)
    yield
    
    x$yield<-ts(x$yield,start=1884,frequency=1)
    x$yield
    
    #取对数
    y<-log(x$yield)
    y
    

    取子集

    z<-subset(x,year>1925,select=yield)
    z
    

    缺失值插值

    install.packages("zoo")
    library(zoo)
    a<-c(1:7)
    a[4]<-NA
    a
    

    线性插值

    y1<-na.approx(a)
    y1
    

    样条插值

    y2<-na.spline(a)
    y2
    

    绘制时序图

    plot(x$yield,type="o")
    

    绘制各种类型时序图

    par(mfrow=c(2,3))
    plot(x$yield,type="p",main='tpye="p"')
    plot(x$yield,type="l",main='tpye="l"')
    plot(x$yield,type="b",main='tpye="b"')
    plot(x$yield,type="o",main='tpye="o"')
    plot(x$yield,type="h",main='tpye="h"')
    plot(x$yield,type="s",main='tpye="s"')
    

    绘制各种符号类型的时序图

    par(mfrow=c(2,2))
    plot(x$yield,type="o",pch=2,main='pch=2')
    plot(x$yield,type="o",pch=9,main='pch=9')
    plot(x$yield,type="o",pch=17,main='pch=17')
    plot(x$yield,type="o",pch=25,main='pch=25')
    

    绘制各种连线类型的时序图

    par(mfrow=c(1,2))
    plot(x$yield,lty=2,main='lty=2')
    plot(x$yield,lty=6,main='lty=6')
    

    绘制不同线宽的时序图

    par(mfrow=c(1,3))
    plot(x$yield,lwd=1,main='lwd=1')
    plot(x$yield,lwd=2,main='lwd=2')
    plot(x$yield,lwd=-2,main='lwd=-2')
    

    绘制各种符号类型和颜色的时序图

    par(mfrow=c(2,2))
    plot(x$yield,type="o",pch=2, col=1, main='pch=2,col=1')
    plot(x$yield,type="o",pch=9,col=2, main='pch=9,col=2')
    plot(x$yield,type="o",pch=17,col=3,main='pch=17,col=3')
    plot(x$yield,type="o",pch=25,col=4,bg="yellow",main='pch=25,col=4,bg=yellow')
    

    绘制添加文本时序图

    par(mfrow=c(1,1))
    plot(x$yield,type="o",main='yield时序图', xlab="年份", ylab="yield")
    

    分别制定横坐标和纵坐标范围

    par(mfrow=c(1,2))
    plot(x$yield,xlim=c(1910,1930),main='横轴范围1910-1930')
    plot(x$yield,ylim=c(15,17),main='纵轴范围15-17')
    

    添加参照线

    par(mfrow=c(1,1))
    plot(x$yield,type="o")
    abline(v=1915,h=15,lty=2)
    

    对报错进行修正

    install.packages("readxl")
    library(readxl)
    x<-read_excel("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_1.xlsx",sheet="Sheet1",Header=T)
    x
    yield
    x$yield
    
    yield<-ts(x$yield,start=1884,frequency=1)
    yield
    
    x$yield<-ts(x$yield,start=1884,frequency=1)
    x$yield
    
    #取对数
    y<-log(x$yield)
    y
    
    #取子集
    z<-subset(x,Year>1925,select=yield)
    z
    
    #绘制时序图
    plot(x$yield,type="o")
    
    #绘制各种类型时序图
    par(mfrow=c(2,3))
    win.graph(width=4.875, height=2.5,pointsize=8)
    plot(x$yield,type="p",main='tpye="p"')
    plot(x$yield,type="l",main='tpye="l"')
    plot(x$yield,type="b",main='tpye="b"')
    plot(x$yield,type="o",main='tpye="o"')
    plot(x$yield,type="h",main='tpye="h"')
    plot(x$yield,type="s",main='tpye="s"')
    
    #绘制各种符号类型的时序图
    par(mfrow=c(2,2))
    win.graph(width=4.875, height=2.5,pointsize=8)
    plot(x$yield,type="o",pch=2,main='pch=2')
    plot(x$yield,type="o",pch=9,main='pch=9')
    plot(x$yield,type="o",pch=17,main='pch=17')
    plot(x$yield,type="o",pch=25,main='pch=25')
    
    #绘制各种连线类型的时序图
    par(mfrow=c(1,2))
    win.graph(width=4.875, height=2.5,pointsize=8)
    plot(x$yield,lty=2,main='lty=2')
    plot(x$yield,lty=6,main='lty=6')
    
    #绘制不同线宽的时序图
    par(mfrow=c(1,3))
    win.graph(width=4.875, height=2.5,pointsize=8)
    plot(x$yield,lwd=1,main='lwd=1')
    plot(x$yield,lwd=2,main='lwd=2')
    plot(x$yield,lwd=-2,main='lwd=-2')
    
    #绘制各种符号类型和颜色的时序图
    par(mfrow=c(2,2))
    win.graph(width=4.875, height=2.5,pointsize=8)
    plot(x$yield,type="o",pch=2, col=1, main='pch=2,col=1')
    plot(x$yield,type="o",pch=9,col=2, main='pch=9,col=2')
    plot(x$yield,type="o",pch=17,col=3,main='pch=17,col=3')
    plot(x$yield,type="o",pch=25,col=4,bg="yellow",main='pch=25,col=4,bg=yellow')
    
    #绘制添加文本时序图
    par(mfrow=c(1,1))
    win.graph(width=4.875, height=2.5,pointsize=8)
    plot(x$yield,type="o",main='yield时序图', xlab="年份", ylab="yield")
    
    #分别制定横坐标和纵坐标范围
    par(mfrow=c(1,2))
    plot(x$yield,xlim=c(1910,1930),main='横轴范围1910-1930')
    plot(x$yield,ylim=c(15,17),main='纵轴范围15-17')
    
    #添加参照线
    par(mfrow=c(1,1))
    win.graph(width=4.875, height=2.5,pointsize=8)
    plot(x$yield,type="o")
    abline(v=1915,h=15,lty=2)
    
    展开全文
  • 时间序列分析及应用:R语言(原书第2版).pdf
  • 【06】应用时间序列分析(王燕) 【07】Analysis_of_Integrated_and_Cointegrated_Time_Series_with_R 【08】Applied Econometrics with R 【09】Time Series Analysis_ With Applications in R
  • 时间序列分析——基于R(第2版)习题数据,时间序列分析基于r第二版答案,R language源码
  • 时间 第一周 第二周 第三周 第四周 第?1?天 3.7 3.0 4.4 3.2 第?2?天 4.0 6.6 4.9 4.8 第?...进行时间序列分析 试验内容: [试验] [例]?连续?4?周每周?5?个工作日测定某无菌操作室空气中的细菌含量10
  • 时间序列分析基于R,王燕,全文有目录。时间序列分析是应用统计学的核心基础课之一,也是计量经济学和统计预测学的核心内容。作为数理统计学的一个专业分支,时间序列分析有它非常特殊的、自成体系的一套分析方法...
  • 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

    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:
    在这里插入图片描述

    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)
    

    在这里插入图片描述

    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)
    

    在这里插入图片描述

    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)
    

    在这里插入图片描述

    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)
    

    在这里插入图片描述

    acf(rain,lag.max = 36)
    

    在这里插入图片描述

    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)
    

    在这里插入图片描述

    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
    

    在这里插入图片描述
    在这里插入图片描述

    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)
    

    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述

    # 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)
    
    展开全文
  • 时间序列分析及应用(R语言)(原书第2版)》以易于理解的方式讲述了时间序列模型及其应用,内容包括趋势、平稳时间序列模型、非平稳时间序列模型、模型识别、参数估计、模型诊断、预测、季节模型、时间序列回归...
  • 应用时间序列分析 王燕编著 第三版
  • 1.时间序列分析 时间序列的定义: 在统计研究中,常用按时间顺序排列的一组随机变量X1,X2,...,Xt...X_1,X_2,...,X_t...X1​,X2​,...,Xt​...来表示一个随机事件的时间序列,简记为{Xt}.\{ X_t \}.{Xt​}. 用x1,x2,....

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 72,530
精华内容 29,012
关键字:

时间序列分析基于r