当前位置：文档之家 › 时间序列分析R语言程序文件

时间序列分析R语言程序文件

  • 格式：doc
  • 大小：57.50 KB
  • 文档页数：7

#例2.1 绘制1964——1999年中国年纱产量序列时序图（数据见附录1.2）Data1.2=read.csv("C:\\Users\\Administrator\\De sktop\\附录1.2.csv",header=T)#如果有标题，用T；没有标题用Fplot(Data1.2,type='o')#例2.1续tdat1.2=Data1.2[,2]a1.2=acf(tdat1.2)#例2.2绘制1962年1月至1975年12月平均每头奶牛产奶量序列时序图（数据见附录1.3）Data1.3=read.csv("C:\\Users\\Administrator\\De sktop\\附录1.3.csv",header=F)tdat1.3=as.vector(t(as.matrix(Data1.3)))[1:168 ]#矩阵转置转向量plot(tdat1.3,type='l')#例2.2续acf(tdat1.3) #把字去掉pacf(tdat1.3)#例2.3绘制1949——1998年市每年最高气温序列时序图Data1.4=read.csv("C:\\Users\\Administrator\\De sktop\\附录1.4.csv",header=T)plot(Data1.4,type='o')##不会定义坐标轴#例2.3续tdat1.4=Data1.4[,2]a1.4=acf(tdat1.4)#例2.3续Box.test(tdat1.4,type="Ljung-Box",lag=6) Box.test(tdat1.4,type="Ljung-Box",lag=12)#例2.4随机产生1000个服从标准正态分布的白噪声序列观察值，并绘制时序图Data2.4=rnorm(1000,0,1)Data2.4plot(Data2.4,type='l')#例2.4续a2.4=acf(Data2.4)#例2.4续Box.test(Data2.4,type="Ljung-Box",lag=6) Box.test(Data2.4,type="Ljung-Box",lag=12)#例2.5对1950——1998年市城乡居民定期储蓄所占比例序列的平稳性与纯随机性进行检验Data1.5=read.csv("C:\\Users\\Administrator\\De sktop\\附录1.5.csv",header=T)plot(Data1.5,type='o',xlim=c(1950,2010),ylim=c (60,100))tdat1.5=Data1.5[,2]a1.5=acf(tdat1.5)#白噪声检验Box.test(tdat1.5,type="Ljung-Box",lag=6) Box.test(tdat1.5,type="Ljung-Box",lag=12)#例2.5续选择合适的ARMA模型拟合序列acf(tdat1.5)pacf(tdat1.5)#根据自相关系数图和偏自相关系数图可以判断为AR （1）模型#例2.5续 P81 口径的求法在文档上#P83arima(tdat1.5,order=c(1,0,0),method="ML")#极大似然估计ar1=arima(tdat1.5,order=c(1,0,0),method="ML") summary(ar1)ev=ar1$residualsacf(ev)pacf(ev)#参数的显著性检验t1=0.6914/0.0989p1=pt(t1,df=48,lower.tail=F)*2#ar1的显著性检验t2=81.5509/ 1.7453p2=pt(t2,df=48,lower.tail=F)*2#残差白噪声检验Box.test(ev,type="Ljung-Box",lag=6,fitdf=1) Box.test(ev,type="Ljung-Box",lag=12,fitdf=1) #例2.5续P94预测及置信区间predict(arima(tdat1.5,order=c(1,0,0)),n.ahead= 5)tdat1.5.fore=predict(arima(tdat1.5,order=c(1,0 ,0)),n.ahead=5)U=tdat1.5.fore$pred+1.96*tdat1.5.fore$seL=tdat1.5.fore$pred-1.96*tdat1.5.fore$seplot(c(tdat1.5,tdat1.5.fore$pred),type="l",col =1:2)lines(U,col="blue",lty="dashed")lines(L,col="blue",lty="dashed")#例3.1.1 例3.5 例3.5续#方法一plot.ts(arima.sim(n=100,list(ar=0.8))) #方法二x0=runif(1)x=rep(0,1500)x[1]=0.8*x0+rnorm(1)for(i in 2:length(x)){x[i]=0.8*x[i-1]+rnorm(1)}plot(x[1:100],type="l")acf(x)pacf(x)##拟合图没有画出来#例3.1.2x0=runif(1)x=rep(0,1500)x[1]=-1.1*x0+rnorm(1)for(i in 2:length(x)){x[i]=-1.1*x[i-1]+rnorm(1)}plot(x[1:100],type="l")acf(x)pacf(x)#例3.1.3方法一plot.ts(arima.sim(n=100,list(ar=c(1,-0.5)))) #方法二x0=runif(1)x1=runif(1)x=rep(0,1500)x[1]=x1x[2]=x1-0.5*x0+rnorm(1)for(i in 3:length(x)){x[i]=x[i-1]-0.5*x[i-2]+rnorm(1)}plot(x[1:100],type="l")acf(x)pacf(x)#例3.1.4x0=runif(1)x1=runif(1)x=rep(0,1500)x[1]=x1x[2]=x1+0.5*x0+rnorm(1)for(i in 3:length(x)){x[i]=x[i-1]+0.5*x[i-2]+rnorm(1)}plot(x[1:100],type="l")acf(x)pacf(x)又一个式子x0=runif(1) x1=runif(1)x=rep(0,1500)x[1]=x1x[2]=-x1-0.5*x0+rnorm(1)for(i in 3:length(x)){x[i]=-x[i-1]-0.5*x[i-2]+rnorm(1)}plot(x[1:100],type="l")acf(x)pacf(x)#均值和方差smu=mean(x)svar=var(x)#例3.2求平稳AR（1）模型的方差例3.3mu=0mvar=1/(1-0.8^2) #书上51页#总体均值方差cat("population mean and var are",c(mu,mvar),"\n")#样本均值方差cat("sample mean and var are",c(mu,mvar),"\n")#例题3.4svar=(1+0.5)/((1-0.5)*(1-1-0.5)*(1+1-0.5))#例题3.6 MA模型自相关系数图截尾和偏自相关系数图拖尾#3.6.1法一：x=arima.sim(n=1000,list(ma=-2))plot.ts(x,type='l')acf(x)pacf(x)法二x=rep(0:1000)for(i in 1:1000){x[i]=rnorm[i]-2*rnorm[i-1]}plot(x,type='l')acf(x)pacf(x)#3.6.2法一：x=arima.sim(n=1000,list(ma=-0.5))plot.ts(x,type='l')acf(x)pacf(x)法二x=rep(0:1000)for(i in 1:1000){x[i]=rnorm[i]-0.5*rnorm[i-1]}plot(x,type='l')acf(x)pacf(x)##错误于rnorm[i] : 类别为'closure'的对象不可以取子集#3.6.3法一：x=arima.sim(n=1000,list(ma=c(-4/5,16/25))) plot.ts(x,type='l')acf(x)pacf(x)法二:x=rep(0:1000)for(i in 1:1000){x[i]=rnorm[i]-4/5*rnorm[i-1]+16/25*rnorm[i-2] }plot(x,type='l')acf(x)pacf(x)##错误于x[i] = rnorm[i] - 4/5 * rnorm[i - 1] + 16/25 * rnorm[i - 2] :##更换参数长度为零#例3.6续根据书上64页来判断#例 3.7拟合ARMA（1，1）模型，x(t)-0.5x(t-1)=u(t)-0.8*(u-1)，并直观观察该模型自相关系数和偏自相关系数的拖尾性。

#法一：x0=runif(1)x=rep(0,1000)x[1]=0.5*x0+rnorm(1)-0.8*rnorm(1)for(i in 2:length(x)){x[i]=0.5*x[i-1]+rnorm(1)-0.8*rnorm(1)}plot(x,type='l')acf(x)pacf(x)##图和书上不一样#法二x=arima.sim(n=1000,list(ar=0.5,ma=-0.8))acf(x)pacf(x)#图和书上一样#例 3.8 选择合适的ARMA模型拟合加油站57天的OVERSHORT序列Data1.6=read.csv("C:\\Users\\Administrator\\De sktop\\附录1.6.csv",header=F)tdat1.6=as.vector(t(as.matrix(Data1.6)))[1:57] plot(tdat1.6,type='o')acf(tdat1.6)pacf(tdat1.6) #把字去掉arima(tdat1.6,order=c(0,0,1),method="CSS")#最小二乘估计ma1=arima(tdat1.6,order=c(0,0,1),method="CSS") summary(ma1)ev=ma1$residualsacf(ev)pacf(ev)##错误于arima(tdat1.6, order = c(0, 0, 1), method = "CSS") :##'x'必需为数值#例3.9选择合适的ARMA模型拟合1880——1985年全球气温改变差值差分序列##没有数据#例3.10 例3.11 例3.12##矩估计#例3.13对等时间间隔的连续70次化学反应的过程数据进行拟合Data1.8=read.csv("C:\\Users\\Administrator\\De sktop\\附录1.8.csv",header=F)tdat1.8=as.vector(t(as.matrix(Data1.8)))[1:70] plot(tdat1.8,type='o')#例3.14AR（2）例3.15AR（3）例3.16AR（3）模型的预测#如果考得话就先。

合集下载

时间序列分析R语言代码

时间序列分析R语言代码

时间序列分析R语言代码时间序列分析是统计学中的一个重要分支，主要用于研究随时间变化的数据。

它可以帮助我们了解数据的趋势、周期性和季节性等特征，从而为预测和决策提供依据。

R语言是一种功能强大的统计分析工具，提供了丰富的时间序列分析函数和包，以下是一个简单的时间序列分析R语言代码示例。

首先，我们需要加载需要用到的包，如`ggplot2`和`forecast`。

```Rlibrary(ggplot2)library(forecast)```接下来，我们可以导入时间序列数据，并将其转换为时间序列对象。

假设我们有一个名为`data.csv`的数据文件，其中包含每个月份的销售额数据。

```Rdata <- read.csv("data.csv")ts_data <- ts(data$Sales, start = c(2000, 1), frequency = 12) ```通过绘制时间序列图，我们可以直观地观察数据的趋势和季节性。

```Rggplot(data, aes(x = Month, y = Sales)) +geom_line( +xlab("Month") +ylab("Sales") +theme_minimal``````R```接下来，我们可以通过绘制分解后的趋势、季节性和随机成分图来进一步研究数据的特征。

```Rtheme_minimal```我们还可以使用自回归移动平均模型（ARIMA）对时间序列数据进行建模和预测。

首先，我们需要估计ARIMA模型的参数。

```Rarima_model <- auto.arima(ts_data)```通过`auto.arima(`函数，R会自动选择最佳的ARIMA模型。

然后，我们可以使用这个模型来进行预测。

假设我们希望对未来12个月的销售额进行预测。

```Rforecast_data <- forecast(arima_model, h = 12)```最后，我们可以绘制预测结果和置信区间的图表。

【原创】R语言股票时间序列分析报告代码

【原创】R语言股票时间序列分析报告代码

有问题到淘宝找“大数据部落”就可以了library(quantmod)# library(neuralnet)library(quantmod)library(plyr)library(TTR)library(ggplot2)library(scales)library(tseries)data=read.csv("600119.csv")a=data$收盘价a=diff(a)/a[-length(a)]a[a=="NaN"]=0a[a=="Inf"]=0##浏览数据data[,2]=data$日期data[,4]=c(0, a)##绘制时间序列图## 收集历史资料，加以整理，编成时间序列，并根据时间序列绘成统计图。

时间序列分析通常是把各种可能发生作用的因素进行分类，传统的分类方法是按各种因素的特点或影响效果分为四大类：(1)长期趋势；(2)季节变动；(3)循环变动；(4)不规则变动。

data=data[nrow(data):1,]plot(data[,2],data[,4])##技术指标lines( data[,2], DEMA(data[,4]) ,col="green")lines( data[,2], SMA(data[,4]) ,col="red")legend("bottomright",col=c("green","red"),legend =c("DEMA","SMA"),lty= 1,pch=1)有问题到淘宝找“大数据部落”就可以了## 从时间序列图形来看，序列有明显趋势，所以该序列一定不是平稳序列。

因为原序列为非平稳序列，所以选择一阶差分继续分析birthstimeseries=data[,4]birthstimeseries <-ts(birthstimeseries, frequency=300, start=c(1998,1 5))birthstimeseries=na.omit(birthstimeseries)## 2)Decompose the time series data into trend, seasonality and error components. （10 points）## 开始分解季节性时间序列。

R语言在时间序列分析中的应用4.19

R语言在时间序列分析中的应用4.19

R语言在时间序列中的应用2013.04.19 未完成written by MiltonDeng,from department of Statistics, XMU一、数据的读入与时间序列化时间序列数据是R语言中一种特定形式的数据类型。

R语言中有许多专门针对时间序列数据编制的函数。

但在运用这些函数前，首先需要对序列进行时间序列化，即运用将一组数据转化为时间序列数据这种数据形式。

ts(data = NA, start = 1, end = numeric(), frequency = 1 )-data ：要进行时间序列化的向量。

如果是矩阵，会按列分别处理。

-start ：起始时点。

-end ：结束时点。

-frequency ：频度。

取12时自动识别为月，4时自动识别为季度。

首先，应该注意，与多元统计等统计分析不同，单变量时间序列根本上是一个向量，而不是一个矩阵，或者一个表。

因此，在读入时间序列数据时，常常会有一些不必要的麻烦。

由于数据整理时，数据编排往往不一致，所以应该注意以何种方式读入时间序列数据。

以txt文件为例，假设这组时间序列为“5,4,2,3,6,1”，在文件中以如下方式出现（人大出版社，王燕老师的《应用时间序列分析》中的数据均以这种形式出现）：5 4 23 6 1如果以read.table() 读入，读入的是一个2*3的矩阵，如果直接以ts() 时间序列化，R会认为这是3列数据，将对它们分别生成3组时间序列数据。

下面提供两种方法：（1）以scan()直接读入为向量。

（2）以read.table()读入这个矩阵为D，然后D=t(D) #因为是以行录入，所以要先转置D=as.vector(D) #将矩阵线性化为向量D二、描述时间序列对于单组时间序列：（1）ts.plot(D) #可以直接对未ts的向量绘图（2）ts(D); plot(D)如果D是一个矩阵或frame，可以对多个序列画在同一张图里。

R语言常用上机命令分功能整理——时间序列分析为主

R语言常用上机命令分功能整理——时间序列分析为主

R语言常用上机命令分功能整理——时间序列分析为主第一讲应用实例•R的基本界面是一个交互式命令窗口，命令提示符是一个大于号，命令的结果马上显示在命令下面。

•S命令主要有两种形式：表达式或赋值运算（用’<－’或者’=’表示）。

在命令提示符后键入一个表达式表示计算此表达式并显示结果。

赋值运算把赋值号右边的值计算出来赋给左边的变量。

•可以用向上光标键来找回以前运行的命令再次运行或修改后再运行。

•S是区分大小写的，所以x和X是不同的名字。

我们用一些例子来看R软件的特点。

假设我们已经进入了R的交互式窗口。

如果没有打开的图形窗口，在R中，用：> x11() 可以打开一个作图窗口。

然后，输入以下语句：x1 = 0:100x2 = x1*2*pi/100y = sin(x2)plot(x2,y,type="l")这些语句可以绘制正弦曲线图。

其中，“=”是赋值运算符。

0:100表示一个从0到100 的等差数列向量。

第二个语句可以看出，我们可以对向量直接进行四则运算，计算得到的x2 是向量x1的所有元素乘以常数2*pi/100的结果。

从第三个语句可看到函数可以以向量为输入，并可以输出一个向量，结果向量y的每一个分量是自变量x2的每一个分量的正弦函数值。

plot(x2,y, type="l",main="画图练习",sub="好好练", xlab="x轴",ylab='y轴')有关作图命令plot的详细介绍可以在R中输入help(plot)数学函数abs，sqrt：绝对值，平方根 log, log10, log2 , exp：对数与指数函数 sin，cos，tan，asin，acos，atan，atan2：三角函数 sinh，cosh，tanh，asinh，acosh，atanh：双曲函数简单统计量sum, mean, var, sd, min, max, range, median, IQR（四分位间距）等为统计量，sort，order，rank与排序有关，其它还有ave，fivenum，mad，quantile，stem等。