时间序列

生成时间序列

本章首先介绍生成、操作时序数据的方法，对它们进行描述并画图，将它们分解成水平、趋
势、季节性和随机（误差）等四个不同部分。在此基础上，我们采用不同的统计模型对其进行预
测。将要介绍的方法包括基于加权平均的指数模型，以及基于附近数据点和预测误差间关联的自
回归积分移动平均（ ARIMA）模型。我们还将介绍模型拟合和预测准确性的评价指标。最后，
本章将给出关于时间序列的更多参考书目，以便读者继续学习。

在 R 中生成时序对象

在R中分析时间序列的前提是我们将分析对象转成时间序列对象（ time-series object），即R中
一种包括观测值、起始时间、终止时间以及周期（如月、季度或年）的结构。只有将数据转成时
间序列对象后，我们才能用各种时序方法对其进行分析、建模和绘图。

时序的平滑化和季节性分解

正如对横截面数据集分析与建模的第一步是描述性统计和画图一样，对时序数据建立复杂模
型之前也需要对其进行描述和可视化。在本节中，我们将对时序进行平滑化以探究其总体趋势，
并对其进行分解以观察时序中是否存在季节性因素。

指数预测模型

指数模型是用来预测时序未来值的最常用模型。这类模型相对比较简单，但是实践证明它们
的短期预测能力较好。不同指数模型建模时选用的因子可能不同。比如单指数模型（ simple/single
exponential model）拟合的是只有常数水平项和时间点i处随机项的时间序列，这时认为时间序列
不存在趋势项和季节效应； 双指数模型（ double exponential model；也叫Holt指数平滑， Holt
exponential smoothing）拟合的是有水平项和趋势项的时序； 三指数模型（ triple exponential model；
也叫Holt-Winters指数平滑， Holt-Winters exponential smoothing）拟合的是有水平项、趋势项以及
季节效应的时序。

ARIMA 预测模型

在ARIMA预测模型中，预测值表示为由最近的真实值和最近的预测误差组成的线性函数。
ARIMA比较复杂，在本节中，我们只讨论对非季节性时序建立ARIMA模型的问题。
在讨论ARIMA模型前，我们首先要定义一系列名词，包括滞后阶数（ lag）、自相关
（ autocorrelation）、偏自相关（ partial autocorrelation）、 差分（ differencing）以及平稳性（ stationarity）。

下一小节中我们将详细介绍这些名词。