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。 一、 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 frame Frequency：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 NA NA 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。 二、 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-w x[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： -rnorm(200) -cumsum(w)#累计求和，see example：cumsum(1:!0) -w+0.2 -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