时间序列教程r.pdf

时间序列完整教程(R)

简介

在商业应用中，时间是最重要的因素，能够提升成功率。然而绝大多数公司很难

跟上时间的脚步。但是随着技术的开展，出现了很多有效的方法，能够让我们预

测未来。不要担忧，本文并不会讨论时间机器，讨论的都是很实用的东西。本文

将要讨论关于预测的方法。有一种预测是跟时间相关的，而这种处理与时间相关

数据的方法叫做时间序列模型。这个模型能够在与时间相关的数据中，找到一些

隐藏的信息来辅助决策。当我们处理时间序列数据的时候，时间序列模型是非常

有用的模型。大多数公司都是基于时间序列数据来分析第二年的销售量，流量，

竞争地位和更多的东西。然而很多人并不了解时间序列分析这个领域。所以，如

果你不了解时间序列模型。这篇文章将会向你介绍时间序列模型的处理步骤以及

它的相关技术。本文包含的容如下所示：目录*1、时间序列模型介绍*2、使用

R语言来探索时间序列数据*3、介绍ARMA时间序列模型*4、ARIMA时间序

列模型的框架与应用

1、时间序列模型介绍

本节包括平稳序列，随机游走,Rho系数,DickeyFuller检验平稳性。如果这些知

识你都不知道，不用担忧-接下来这些概念本节都会进展详细的介绍，我敢打赌

你很喜欢我的介绍的。

平稳序列

判断一个序列是不是平稳序列有三个评判标准：1.均值，是与时间t无关的常

数。下列图〔左〕满足平稳序列的条件，下列图〔右〕很明显具有时间依赖。

1.方差，是与时间t无关的常数。这个特性叫做方

差齐性。下列图显示了什么是方差对齐，什么不是方

差对齐。〔注意右图的不同分布。〕

2.协方差，只与时期间隔k有关，与时间t无关的

常数。如下列图〔右〕，可以注意到随着时间的增加，

曲线变得越来越近。因此红色序列的协方差并不是恒

定的。

我们为什么要关心平稳时间序列呢？

除非你的时间序列是平稳的，否则不能建立一个时间序列模型。在很多案例中时

间平稳条件常常是不满足的，所以首先要做的就是让时间序列变得平稳，然后尝

试使用随机模型预测这个时间序列。有很多方法来平稳数据，比方消除长期趋势，

差分化。

随机游走

这是时间序列最根本的概念。你可能很了解这个概念。但是，很多工业界的人仍

然将随机游走看作一个平稳序列。在这一节中，我会使用一些数学工具，帮助理

解这个概念。我们先看一个例子例子：想想一个女孩在一个巨型棋盘上面随意移

动。这里，下一个位置只取决于上一个位置。

现在想象一下，你在一个封闭的房间里，不能看见这个女孩。但是你想要预测不

同时刻这个女孩的位置。怎么才能预测的准一点？当然随着时间的推移你预测的

越来越不准。在t=0时刻，你肯定知道这个女孩在哪里。下一个时刻女孩移动到8

块方格中的一块，这个时候，你预测到的可能性已经降为1/8。继续往下继续预

测，现在我们将这个序列公式化：

$*(t)=*(t-1)+Er(t)$

这里的$Er_t$代表这这个时间点随机干扰项。这个就是女孩在每一个时间点带来

的随机性。

现在我们递归所有*时间点，最后我们将得到下面的等式：

$*(t)=*(0)+Sum(Er(1),Er(2),Er(3)Er(t))$

现在，让我们尝试验证一下随机游走的平稳性假设：1.是否均值为常数？

E[*(t)]=E[*(0)]+Sum(E[Er(1)],E[Er(2)],E[Er(3)]E[Er(t)])

我们知道由于随机过程的随机干扰项的期望值为0.到目前为止：E[*(t)]=E[*(0)]

=常数2.是否方差为常数？

Var[*(t)]=Var[*(0)]+Sum(Var[Er(1)],Var[Er(2)],Var[Er(3)]Var[Er(t)])

Var[*(t)]=t*Var(Error)=时间相关

因此，我们推断，随机游走不是一个平稳的过程，因为它有一个时变方差。此外，

如果我们检查的协方差，我们看到协方差依赖于时间。

我们看一个更有趣的东西

我们已经知道一个随机游走是一个非平稳的过程。让我们在方程中引入一个新的

系数，看看我们是否能制定一个检查平稳性的公式。Rho系数

*(t)=Rho**(t-1)+Er(t)

1

现在，我们将改变Rho看看我们可不可以让这个序列