R语言与时间序列学习笔记.docxVIP

R语言与时间序列学习笔记（1）继续上一次的参数估计话题。今天分享的是R语言中时间序列的模型初步估计有关内容。主要有：时间序列的创建，ARMA模型的建立与模型的参数估计。 时间序列的创建时间序列的创建函数为：ts().函数的参数列表如下：ts(data = NA, start = 1, end = numeric(), frequency = 1,deltat = 1, ts.eps = getOption(ts.eps), class = , names = )参数说明：data：这个必须是一个矩阵，或者向量，再或者数据框frameFrequency：这个是时间观测频率数，也就是每个时间单位的数据数目Start：时间序列开始值，允许第一个个时间单位出现数据缺失举例：ts(matrix(c(NA,NA,NA,1:31,NA),byrow=T,5,7),frequency=7,names=c(Sun, Mon ,Tue, Wen ,Thu, Fri, Sat))运行上面的代码就可以得到一个日历：Sun Mon Tue Wen Thu Fri Sat NA NANA 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 NA在R语言中本身也有不少数据集，比如统计包中的sunspots，你可以通过函数data(sunspots)来调用它们。一些时间序列模型这里主要介绍AR，MA，随机游走，余弦曲线趋势，季节趋势等首先介绍一下AR模型：AR模型，即自回归（AutoRegressive, AR）模型，数学表达式为：　　AR : y(t)=a1y(t-1)+...any(t-n)+e(t)其中，e(t)为均值为0，方差为某值的白噪声信号。那么产生AR模型的数据，我们就有两种方法：1、调用R中的函数filter（线性滤波器）去产生AR模型；2、根据AR模型的定义自己编写函数先说第一种方法：调用R中的函数filter（线性滤波器）去产生AR模型介绍函数filter的用法如下：filter(x, filter, method = c(convolution, recursive),sides = 2, circular = FALSE, init)对于AR（2）模型x（t）=x(t-1)--0.9x(t-2) +e(t)w-rnorm(550)#我们假定白噪声的分布是正态的。x-filter(w,filter=c(1,-0.9),recursive)#方法：无论是“卷积”或“递归”（可以缩写）。如果使用移动平均选择“卷积”：如果“递归”便是选择了自回归。再说第二种方法：依据定义自己编程产生AR模型，还是以AR（2）模型x（t）=x(t-1)--0.9x(t-2) +e(t)为例，可编写函数如下：w-rnorm(550)AR-function(w){x-wx[2]=x[1]+w[1]for(i in 3:550)x[i]=x[i-1]-0.9*x[i-2]+w[i]x}调用AR（W）即可得到。如果对相同的随机数，我们可以发现两个产生的时间序列是一致的。当然对于第二种方法产生的序列需要转换为时间序列格式，用as.ts()处理。类似的，我们给出MA，随机游走的模拟：MA模型：w-rnorm(500)v-filter(w,sides=2,rep(1,3)/3)随机游走：w-rnorm(200)x-cumsum(w)#累计求和，see example：cumsum(1:!0)wd-w+0.2xd-cumsum(wd)可以做出相应的图形：再说一下季节性模型：最简单的季节模型就是一个分段的周期函数。比如说某地区一年的气温就是一个季节性模型。利用TSA包里给出的数据tempdub我们可以发现他就是这样的模型给出验证：library(TSA)data(tempdub)month-season(tempdub)model1-lm(tempdub~month)summary(model1)根据R输出的结果：Call:lm(formula = tempdub ~ month)Residuals: Min 1Q Median 3Q Max -8.2750 -2.2479 0.1125 1.8896 9.8250 Coefficients: Estimate Std. Error t value Pr(|t|) (Intercept) 16.