当前位置:网站首页 > R语言数据分析 > 正文

r语言时间序列分析实验报告_r语言将日期转化为时间序列

一、时间序列的定义 

时间序列是将统一统计值按照时间发生的先后顺序来进行排列,时间序列分析的主要目的是根据已有数据对未来进行预测。

一个稳定的时间序列中常常包含两个部分,那么就是:有规律的时间序列+噪声。所以,在以下的方法中,主要的目的就是去过滤噪声值,让我们的时间序列更加的有分析意义。

二、时间序列的预处理

1、平稳性检验:

拿到一个时间序列之后,我们首先要对其稳定性进行判断,只有非白噪声的稳定性时间序列才有分析的意义以及预测未来数据的价值。

所谓平稳,是指统计值在一个常数上下波动并且波动范围是有界限的。如果有明显的趋势或者周期性,那么就是不稳定的。一般判断有三种方法:

  • 画出时间序列的趋势图,看趋势判断
  • 画自相关图和偏相关图,平稳时间序列的自相关图和偏相关图,要么拖尾,要么截尾。
  • (关于拖尾截尾的概念:https://blog.csdn.net/xianyuhenxian/article/details/)
  • 检验序列中是否存在单位根,如果存在单位根,就是非平稳时间序列。
  • (关于单位根检验:http://bbs.pinggu.org/thread-2412454-1-1.html)

在R语言中,DF检测是一种检测稳定性的方法,如果得出的P值小于临界值,则认为是数列是稳定的。

2、白噪声检验

白噪声序列,又称为纯随机性序列,序列的各个值之间没有任何的相关关系,序列在进行无序的随机波动,可以终止对该序列的分析,因为从白噪声序列中是提取不到任何有价值的信息的。

3、平稳时间序列的参数特点

均值和方差为常数,并且具有与时间无关的自协方差。

三、时间序列建模步骤

  • 拿到被分析的时间序列数据集。
  • 对数据绘图,观测其平稳性。若为非平稳时间序列要先进行d阶差分运算后化为平稳时间序列,此处的d即为ARIMA(p,d,q)模型中的d;若为平稳序列,则用ARMA(p,q)模型。所以ARIMA(p,d,q) 模型区别于ARMA(p,q)之处就在于前者的自回归部分的特征多项式含有d个单位根。 
  • 对得到的平稳时间序列分别求得其自相关系数ACF 和偏自相关系数PACF,通过对自相关图和偏自相关图的分析,得到最佳的阶层 p 和阶数 q。由以上得到的d、q、p ,得到ARIMA模型。 
  • 模型诊断。进行诊断分析,以证实所得模型确实与
到此这篇r语言时间序列分析实验报告_r语言将日期转化为时间序列的文章就介绍到这了,更多相关内容请继续浏览下面的相关推荐文章,希望大家都能在编程的领域有一番成就!

版权声明


相关文章:

  • r语言数据分析案例报告_数据分析语言2024-11-19 11:36:08
  • R语言数据质量分析_r语言数据分析报告2024-11-19 11:36:08
  • 孟德尔随机化f统计量怎么算_孟德尔随机化多效性检验2024-11-19 11:36:08
  • r语言建立线性模型_函数的线性化怎么求2024-11-19 11:36:08
  • r 语言用于数据分析_数据分析的应用领域2024-11-19 11:36:08
  • r语言数据分析案例_数据分析方法五种2024-11-19 11:36:08
  • R语言数据分析案例2024-11-19 11:36:08
  • r语言入门数据分析_R语言数据分析、挖掘建模与可视化2024-11-19 11:36:08
  • r语言统计人数_r语言做回归分析2024-11-19 11:36:08
  • r语言教程数据分析_数据分析与R语言是什么2024-11-19 11:36:08
  • 全屏图片