第10章时间序列分析.pptVIP

其他时间序列模型 （1）组合模型 时间序列的变化主要受到长期趋势、季节变动、周期变动和噪声变动这四个因素的影响。根据序列的特点，可以构建加法模型和乘法模型。 decompose()函数、stl()函数可以估计出时间序列中趋势的、季节性的和不规则的部分，而此时间序列需是可以用相加模型描述的。 函数使用格式： decompose(x, type = c(additive, multiplicative), filter = NULL) 在decompose()函数中，x时间序列对象；type指定分解为加法模型还是乘法模型；filter是滤波系数。 stl(x, s.window, s.degree=0,…) 在stl()函数中，x同样为时间序列对；s.window因为没有默认值，所以必须手动设置，可以采用’ periodic’或Loess方法提取季节跨度，若采用Loess方法，s.window的值必须为大于7的奇数；s.degree可取1或0，为局部多项式拟合季节性提取的程度。 * 数据挖掘：实用案例分析 @ 泰迪科技 《数据挖掘：实用案例分析》配套PPT 更多下载： /ts/578.jhtml * 数据挖掘：实用案例分析 @ 泰迪科技 * 数据挖掘：实用案例分析 @ 泰迪科技 * 数据挖掘：实用案例分析 @ 泰迪科技 * 数据挖掘：实用案例分析 @ 泰迪科技 * 第10章 时间序列分析 * 常用时间序列模型 模型名称 函数 描述 ARIMA模型 Arima() 可以实现AR模型、MA模型、ARMA模型及ARIMA模型 GARCH模型 garch() 也称为条件异方差模型，适用于金融时间序列。 时间序列分解 decompose() stl() 时间序列的变化主要受到长期趋势、季节变动、周期变动和不规则变动这四个因素的影响。根据序列的特点，可以构建加法模型和乘法模型。 指数平滑法 HoltWinters() 可以实现简单指数平滑法、Holt双参数线性指数平滑法和Winters线性和季节性指数平滑法 ARIMA模型 时间序列对象 在R软件中，使用时间序列建模前需要先将数据存储到一个时间序列对象中。我们可以使用函数ts()将数值类型的观测对象存储为时间序列对象。 使用格式： ts(data = NA, start = 1, end = numeric(), frequency = 1,… ) 其中，data是时间序列观测值对象，必须为数值类型的向量、矩阵或数据框；start是用来指定时间序列观测值对象的第一个时间点，比如2000年1月，则设置start=c(2000,1)；end用来指定时间序列的终止时间点；frequency用来指定数据在一年中的频数。 还可以通过函数as.ts()可以将对象转换成时间序列；通过函数is.ts()可以判断对象是否为时间序列对象。 ARIMA模型 绘制时间序列图 R软件中，可以使用plot.ts()函数来画出时间序列的时序图。plot.ts()用法同plot。 根据平稳时间序列的均值和方差都为常数的性质，平稳序列的时序图显示该序列值始终在一个常数附近随机波动，而且波动的范围有界；如果有明显的趋势性或者周期性那它通常不是平稳序列。 ARIMA模型 时间序列检验分析 （1）自相关性检验 自相关图中的两条虚线标示置信界限是自相关系数的上下界。如果自相关系迅速衰减落入置信区间内，就可能是白噪声；如果自相关系数超出置信区间，那么表示存在相关关系，而且从哪一阶落在置信区间内，就表示自相关的阶数是几阶。 使用格式： acf(x, lag.max = NULL,type = c(correlation, covariance, partial), plot = TRUE, na.action = na.fail, demean = TRUE, …) pacf(x, lag.max, plot, na.action, …) acf()函数中，参数x为观测值序列，acf()为观测值序列自相关函数，lag.max为与acf对应的最大延迟，type为计算acf的形式，默认为correlation。当没有输出，即为acf(Series)时，画观测值序列的自相关系数图。 pacf()函数中的输入参数与输出参数的含义同acf()函数的类似。在acf()和pacf()中设定plot=FALSE可以得到自相关和偏自相关的真实值。 ARIMA模型 原始序列时序图 原始序列的自相关图 时序图显示该序列具有明显的单调