R語言學習筆記：時間序列分析
阿新 • • 發佈：2018-12-30
1.生成時間序列
ts()
ts(data = NA, start = 1, end = numeric(), frequency = 1, deltat = 1, ts.eps = getOption("ts.eps"), class =, names = )可以用plot.ts()繪製時間序列圖
2.時間序列的分解
主要有4種影響因素：T（長期趨勢），S（季節變動），C（迴圈變動），e（不規則變動）
估計趨勢、季節性、不規則：
decompose()
decompose(x, type = c("additive", "multiplicative"), filter = NULL)stl():使用Loess方法
stl(x, s.window, s.degree = 0,...)兩種方法的結果都可以用plot()進行繪製。
3.指數平滑法
HoltWinters()
HoltWinders(x, alpha = NULL, beta = NULL, gamma = NULL, seasonal = c("additive", "multiplicative"), start.periods = 2, l.start = NULL, b.start = NULL, s.start = NULL, optim.start = c(alpha = 0.3, beta = 0.1, gamma = 0.1), optim.control = list())輸出的結果中，alpha、beta和gamma分別對應當前時點的水平、趨勢部分的斜率和季節性部分，取值都在0~1，越接近1說明近期觀測值再預測中佔據的權重越大。
可用forecast()進行預測
4.殘差的白噪聲檢驗
相關圖檢驗
acf()
acf(x, lag.max = NULL, type = c("correlation", "covariance", "partial"), plot = TRUE, na.action = na.fail, demean = TRUE, ...)自相關圖中，如果自相關係數迅速衰落，落入邊界內，就可能是白噪聲；若超過邊界，表示存在相關關係，在哪期落入，就是自相關的階數。
Ljung-Box檢驗
Box.test()
Box.test(x, lag = 1, type = c("Box-Pierce", "Ljung-Box"), fitdf = 0)根據檢驗的P值判斷，原假設為不存在自相關。
5.ARIMA模型分析
arima()
arima(x, order = c(0, 0, 0), seasonal = list(order = c(0, 0, 0), period = NA),...)也可以通過forecast包中的auto.arima（）函式獲取恰當的模型引數，引數“ic”設定為BIC，要求較嚴格。