时间序列建模的完整教程用R语言.pdfVIP

时间序列建模的完整教程用R 语言 一，简介 “时间”是确保企业成功的最重要因素。跟上时代的步伐是很困难的。但是，技术已经发 展了一些强大的方法，我们可以提前看到事物。别担心，我不是在谈论时间机器。让我们现 实点吧！ 我说的是预测和预测的方法。其中一种处理基于时间的数据的方法是时间序列建模。顾名思 义，它涉及基于时间（年，日，小时，分钟）的数据，以获得隐藏的洞察力做出明智的决策。 时间序列模型是非常有用的模型，当你有连续的相关数据。大多数企业都在时间序列数据上 分析明年的销售数量、网站流量、竞争地位等等。然而，这也是许多分析家不了解的领域之 一。 因此，如果你不确定时间序列建模的完整过程，本指南将向你介绍不同层次的时间序列建模 及其相关技术。 下面的主题包含在本教程中，如下所示： 1，基础——时间序列建模 2，R 语言——时间序列数据的探讨 3，ARMA 时间序列建模简介 4，ARIMA 时间序列建模框架及应用 一，基础-时间序列建模 让我们从基础开始。这包括平稳序列 （或者静态序列），随机游走，Rho Coefficient，Dickey Fuller Test 的平稳性。如果这些术语已经吓坏了你，别担心——它们会变得清晰一些，我敢 打赌，你会在我解释的时候开始喜欢这个主题。 （1）stationary series 这里有三个基本标准：一系列被称为平稳序列： ：：序列的平均值不应该是时间的函数，而应该是常数。下面的图像具有满足条件 的左手图，而红色中的图具有时间相关平均值。 ：：序列的方差不应该是时间的函数。这种性质被称为同方差性。下面的图描述了什 么是什么，什么不是平稳序列。 （注意在右手图中分布的不同分布） ：：第i 项和第 （i＋m）项的协方差不应该是时间的函数。在下面的图表中，你会注 意到随着时间的增加，传播变得越来越近。因此，对于 “红色系列”，协方差不是随时间变 化的。 为什么我在乎时间序列的 “平稳性”？ 我之所以首先强调要理解这一部分是因为除非你的时间序列是静态的，否则你不能建立时间 序列模型。在违反稳定准则的情况下，第一个必要条件是使时间序列平稳化，然后尝试随机 模型来预测这个时间序列。有多种方式带来这种平稳性。它们中的一些是退化的，差异的等 等。 （2）random walk 这是时间序列中最基本的概念。你可能很了解这个概念。但是，我发现很多业内人士把 随机行走解释为一个静态的过程。在本节中，借助一些数学，我将使这个概念永远清晰。让 我们举个例子。 例如：想象一个女孩在一个巨大的棋盘上随机移动。在这种情况下，女孩的下一个位置 只取决于最后一个位置。 /WOP/RandomWalk.html 想象一下，你坐在另一个房间里，看不到那个女孩。你想预测女孩的位置随着时间的推移。 你会有多精确？当然，随着女孩的位置变化，你会变得越来越不准确。在T＝0，你完全知 道那个女孩在哪里。下一次，她只能移动到8 个方格，因此你的概率下降到1/8，而不是1， 而且它一直在下降。现在让我们来尝试一下这个时间序列。 X （t ） X (t 1)Er (t) 这里的Er 是在时间点t 的误差。这是一个由女孩在时间上每个点产生的误差。 现在，如果我们递归地拟合所有的XS，我们最终会得出下面的等式。 X (t) X (0)Sum(Er (1),Er (2),Er (3),...Er (t)) 现在，让我们来验证我们关于随机游走公式的静态序列的假设： 1。平均常数是多少？ E [X (t)] E [X (0)]Sum(E [Er (1),E [Er (2),...E [Er (t),]) 我们知道任何误差的期望都是零，因为它是随机的。 因此，我们得到E[x （t）]＝e[x （0）] =常数。 2。方差是常数吗？ Var[X (t)] Var [X (0)] + Sum (Var [Er (1)],Var[Er (2)],Var[Er (3)]..Var[Er (t)]) Var [X (t)] t * Var (Error) Time dependent 因此，我们推断随机游走不是一个静态的过程，因为它具有时变方差。此外，如果我们检查 协方差，我们也发现这也是依赖于时间的。 让我们来点趣味吧 我们已经知道随机游走是一