R语言-时间序列-arima模型-forecast、tseries包

最新推荐文章于 2024-05-15 09:42:13 发布

MapC

最新推荐文章于 2024-05-15 09:42:13 发布

阅读量3.5w

点赞数 6

分类专栏： R语言文章标签： r语言 arima 时间序列分析

本文链接：https://blog.csdn.net/symoriaty/article/details/78397037

版权

本文介绍了如何使用R语言进行时间序列分析，包括生成随机观测值、绘制时间序列图、进行单根检验以及利用ACF和PACF函数分析自相关和偏自相关系数。通过arima.sim函数创建符合ARIMA模型的数据，为时间序列预测打下基础。

摘要由CSDN通过智能技术生成

最近初步接触了下如何用R语言进行时间序列分析，自己动手写了段小代码。

首先呢是生成随机观测值，接着画出时间序列图，然后进行单根检验和用 ACF 和 PACF 指令分别画出自相关数和偏自相关系数图。

随机观测值生成我用了两种，一种是迭代随机生成，一种是用arima.sim函数生成一列符合arima(p,q)模型的数据。

install.packages("tseries") #安装"tseries"包，仅需在首次运行时安装
install.packages("forecast") #安装"forecast"包，仅需在首次运行时安装

library('forecast') #调出"tseries"包
library('tseries') #调出"forecast"包


funy <- function(t)
{
  return(ifelse(t>0, 0.75+0.85*funy(t-1), t))
}  #构造一个递归函数

set.seed(1)  #设定编号为1的随机数种子，目的是下次重复时生成同样的随机数help
u<-rnorm(500, mean=0, sd=1) #随机生成500个服从正态分布的独立同分布的白噪声（均值为0，标准差为1）y<-vector()

y<-vector()
for(t in 1:500)
{
    y[t]=funy(t)+u[t]
}  #循环调用递归函数和白噪声生成函数，以生成500个观测值


mean(y) #计算均值E(yt)
var(y) #计算方差Var(yt)


plot.ts(y, col="blue", main="y变量的时间序列图", xla