R实现有季节效应的时间序列分析

数据与学习过程来源于：《时间序列分析-基于R》(第二版)【M】王燕 中国人民大学出版社

代码位于文章最后

数据为1948-1981年美国女性(20岁以上)月度失业率序列

一、概念

  时间序列，简单来说就说一系列与时间有关系的序列。它按照一定时间间隔收集，在统计研究中，常用按时间顺序排列的一组随机变量X1,X2...Xt来表示一个随机事件的时间序列，用x1,x2,...,xt表示该随机序列的n个有序观察值，也称时间序列Xt的一个实现。我们进行时间序列分析的主要目的是为了揭示时间序列的性质，要实现这个目的，只能通过分析它的观察值的性质，并以此来推断序列性质。分析的步骤可如下图所示

二、 时序图

 如图所示，可知该序列为一个具有季节效应的非平稳序列。下面使用一阶差分消去趋势，再使用12步长消去季节效应的影响

三、差分运算

四、ADF检验

 如图所示，在三类型中。type1、2的ADF的p值小于显著性0.05，可以认为通过了单根检测。下面进行纯随机数检验，如果序列为白噪音，则认为该观察序列为随机数序列，没有继续分析下去的必要

五、纯随机性检验

 每隔六阶进行检验，可以看到在六阶和十二阶里面，LB的p值显著小于显著性0.05.可以拒绝原假设，即该观察序列为平稳性的非白噪音序列 

六、拟合季节乘法模型

七、模型显著性分析

 残差分析

 残差应当服从正态分布且为0，p值大于显著性值0.05，接受原假设及残差为0。在考虑漂移项影响的前提下，对未来36个月的情况做预测

八、预测

 R代码：

library(tseries)
library(readxl)
data=read_xlsx("C:/Users/tb/Desktop/美国女性失业率.xlsx")
data_ts<-ts(data,start = c(1948,1),frequency = 12)
class(data_ts)
head(data_ts,n=10)
plot.ts(data_ts,ylab="失业人数",xlab="年份",type='b',pch=1,lwd='3',col='3')
par(mfrow=c(1,2))
acf(data_ts,plot = T)
acf(data_ts)$acf
data_diff<-diff(data_ts,lag = 12,differences = 1)
plot.ts(data_diff,ylab='失业人数',xlab='年份',type='b',pch=1,lwd='3',col='2')
par(mfrow=c(1,2))
acf(data_diff,plot = T)
acf(data_diff)$acf
library(aTSA)
adf.test(data_diff,nlag = 4)
for (k in 1:2) print(Box.test(data_diff,lag = 6*k,type = "Ljung-Box"))
acf(data_diff,lag=36)
pacf(data_diff,lag=36)
library(forecast)
model<-auto.arima(data_diff)
model
data_fit<-arima(data_diff,order = c(1,1,1),seasonal=list(order=c(0,1,1),period=12))
data_fit
ts.diag(data_fit)
accuracy(data_fit)
Box.test(data_fit$residuals,type='Ljung-Box')
fore<-forecast(data_fit,h=36)
fore
plot(fore,lty=2)
lines(fore$fitted,col=4)