R语言进行ARIMA分析.docxVIP

R学习日记——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间，那么预测误差必须是不相关的，而且必须是服从零均值、方差不变的正态分布。即使指数平滑法对时间序列连续数值之间相关性没有要求，在某种情况下，我们可以通过考虑数据之间的相关性来创建更好的预测模型。自回归移动平均模型（ ARIMA）包含一个确定（explicit）的统计模型用于处理时间序列的不规则部分，它也允许不规则部分可以自相关。首先，先确定数据的差分。ARIMA 模型为平稳时间序列定义的。 因此， 如果你从一个非平稳的时间序列开始， 首先你就需要做时间序列差分直到你得到一个平稳时间序列。如果你必须对时间序列做 d 阶差分才能得到一个平稳序列，那么你就使用ARIMA(p,d,q)模型，其中 d 是差分的阶数。?我们以每年女人裙子边缘的直径做成的时间序列数据为例。从 1866 年到 1911 年在平均值上是不平稳的。随着时间增加，数值变化很大。 ? skirts - scan(/tsdldata/roberts/skirts.dat,skip=5)Read 46 items skirtsts- ts(skirts,start = c(1866))? plot.ts(skirtsts)我们可以通过键入下面的代码来得到时间序列（数据存于“skirtsts”）的一阶差分，并画出差分序列的图: skirtstsdiff-diff(skirtsts,differences=1)? plot.ts(skirtstsdiff)从一阶差分的图中可以看出，数据仍是不平稳的。我们继续差分。 skirtstsdiff2-diff(skirtsts,differences=2) plot.ts(skirtstsdiff2)二次差分（上面）后的时间序列在均值和方差上确实看起来像是平稳的， 随着时间推移， 时间序列的水平和方差大致保持不变。因此，看起来我们需要对裙子直径进行两次差分以得到平稳序列。第二步，找到合适的ARIMA模型?如果你的时间序列是平稳的，或者你通过做 n 次差分转化为一个平稳时间序列， 接下来就是要选择合适的 ARIMA模型，这意味着需要寻找 ARIMA(p,d,q)中合适的 p 值和 q 值。为了得到这些，通常需要检查[平稳时间序列的（自）相关图和偏相关图。??我们使用 R 中的“acf()”和“pacf” 函数来分别（ 自） 相关图和偏相关图。“acf()”和“pacf 设定“plot=FALSE” 来得到自相关和偏相关的真实值。? acf(skirtstsdiff2,lag.max=20)? acf(skirtstsdiff2,lag.max=20,plot=FALSE)Autocorrelations of series ‘skirtstsdiff2’, by lag?????0 ?????1 ?????2 ?????3 ?????4 ?????5 ?????6 ?????7 ?????8 ?????9 ????10??1.000 -0.303 ?0.096 ?0.009 ?0.102 -0.453 ?0.173 -0.025 -0.039 ?0.073 -0.094?????11 ????12 ????13 ????14 ????15 ????16 ????17 ????18 ????19 ????20??0.133 -0.089 -0.027 -0.102 ?0.207 -0.260 ?0.114 ?0.101 ?0.011 -0.090?自相关图显示滞后1阶自相关值基本没有超过边界值，虽然5阶自相关值超出边界，那么很可能属于偶然出现的，而自相关值在其他上都没有超出显著边界，而且我们可以期望 1 到 20 之间的会偶尔超出 95%的置信边界。 ? pacf(skirtstsdiff2,lag.max=20) pacf(skirtstsdiff2,lag.max=20,plot=FALSE)Partial autocorrelations of series ‘skirtstsdiff2’, by lag?????1 ?????2 ?????3 ?????4 ?????5 ?????6 ?????7 ?????8 ?????9 ????10 ????11?-0.303 ?0.005 ?0.043 ?0.128 -0.439 -0.110 ?0.073 ?0.028 ?0.128 -0.355 ?0.095?????12 ????13 ????14 ????15 ????16 ????17 ????18 ????19 ????20