时间序列图表（Forecasting: Principles and practice第二章）

2.Time series graphics
2.1 tsibble objects
Time series: 可将时间序列视为数字列表，以及有关这些数字的记录时间的一些信息，该信息可作为小对象存贮在R中。

tsibble : 提供一个tbl_ts类，用于存储和管理以数据为中心格式的时间维度数据；属于R里的一个包。

2.2 time plot（时间图）
Autoplot():在R里会自动生成图形，进行画图

2.3 time series patterns（时间序列模式）
趋势：当数据长期增加或减少时，存在趋势；它不必是线性的；有时，当趋势可能从上升变为下降时，我们将其称为变化方向；如图显示抗糖尿病药物销售数据的趋势。

季节性：当时间序列受季节因素影响，就会出现季节模式；季节性总是一个固定的已知时期；抗糖尿病药物月销售量呈现出季节性，这是由于日历年末药物成本的变化引起的。
循环性：当数据显示的上升和下降不是固定频率，就会发生一个周期；这些波动通常由于经济状况造成，并通常和商业周期有关，这种波动通常至少2年。

周期性和季节性区别：如果波动不是固定频率，那么它们是周期性的；如果频率不变且与日立某些方面相关联，那么它是季节性的；通常周期的长度要比季节性的长度长，周期的大小比季节模式大小更易变。

选择预测方法：我们要先确定数据中时间序列的模式，然后选择一种能正确捕获模式的方法

1. 每月的房屋销售量（左上角）在每年中显示出强劲的季节性，并表现出一些强烈的周期性行为，周期约为6-10年。在此期间，数据没有明显的趋势。
2. 美国国库券合同（右上方）显示了1981年芝加哥市场连续100个交易日的结果。这里没有季节性，但有明显的下降趋势。可能的话，如果我们有更长的序列，我们会看到这种下降趋势实际上是一个长周期的一部分，但是当仅观察100天时，它似乎是一个趋势。
3. 澳大利亚季度电力产量（左下图）显示出强劲的增长趋势，且具有季节性。这里没有任何周期性行为的证据。
4. Google收盘价的每日变化（右下）没有趋势，季节性或周期性行为。有一些随机波动似乎并不能很好地预测，也没有可以帮助建立预测模型的强大模式

2.4 seasonal plot（季节性图）

2.5 seasonal subseries plots（季节性子系列图）

水平线表示每个月的平均值。 这种形式的图可以清楚地看到基本的季节性模式，并且还可以显示季节性随时间的变化。 在识别特定季节内的变化时特别有用。 在此示例中，该情节没有特别揭示； 但在某些情况下，这是查看一段时间内季节性变化的最有用的方法。

2.6 scatterplots（散点图）
相关系数：衡量两个变量之间的关系强度

当存在多个潜在的预测变量时，将每个变量相对于另一个变量作图很有用。

2.7 lag plots（滞后图）


这里的颜色表示变量在垂直轴上的四分之一。 在滞后4和8时，该关系呈强正相关，反映了数据的强季节性。 出现滞后2和滞后6的负关系是因为绘制了峰（在Q4中）相对于谷（在Q2中）

2.8 autocorrelation(自相关)
自相关性：度量时间序列滞后值之间的线性关系

ACF图趋势和季节性
当数据具有趋势时，小滞后的自相关往往会很大且呈正数，因为观测值附近的点其大小也很近。 因此，趋势时间序列的ACF倾向于具有正值，而正值随着滞后的增加而逐渐降低。
当数据是季节性时，季节性滞后（以季节性频率的倍数）的自相关将大于其他滞后。
当数据同时具有趋势和季节性时，您会看到这些影响的组合。

随着滞后的增加，ACF的缓慢下降是由于趋势造成的，而“扇形”形状则是由于季节性因素引起的。

2.9 white noises(白噪声)
白噪声：没有自相关的时间序列

对于白噪声系列，我们期望每个自相关接近于零。 当然，由于存在一些随机变化，它们将不完全等于零。 对于白噪声系列，我们预计ACF中95％的尖峰位于±2/√T