时间序列分析这件小事（二）--自回归

本文链接：https://blog.csdn.net/qtlyx/article/details/53439572

本文介绍了时间序列分析中的自回归概念，即利用过去的时点数据预测未来。通过R语言实现时间滞后函数，探讨不同滞后阶的时滞相关性，并使用cor函数计算相关系数。acf函数用于计算自回归系数，展示不同滞后阶下的回归关系。

摘要由CSDN通过智能技术生成

无意中发现了一个巨牛的人工智能教程，忍不住分享一下给大家。教程不仅是零基础，通俗易懂，而且非常风趣幽默，像看小说一样！觉得太牛了，所以分享给大家。教程链接：https://www.cbedai.net/qtlyx

说到时间序列，那么就必须提起自回归了。什么是自回归呢，就是说未来的一个时点可以用之前的时点来进行回归预测，还是那一串数字，但是时间状态不同了，存在不同阶的时滞。

所以呢，我们首先要写一个时间滞后函数。

L_ <- function(x,lag = 1,na.is = TRUE){#delay ont step function
  if(na.is)c(rep(NA,lag),x[1:length(x)-lag])
  else x[1:(length(x) - lag)]
}

这里呢，我们是把一列数据做了一个滞后，比如5,4,2,1,3,变成了NAN，5,4,2,1。

大家放到R语言里面试一下就知道啦。

我们知道如何计算两个变量的协方差，从而计算相关性。如果不会的话，去补一下统计基础吧，或者看一下笔者之前的FRM笔记之数量分析也可以。其实对于自回归而言，也是一样的道理，求取的就是不同时滞之间的相关系数。

#example 2
yt_1 = L_ (yt,na.is = T)
plot(yt,yt_1