1 / 8
文档名称:

r语言进行arima分析.doc

格式:doc   大小:130KB   页数:8页
下载后只包含 1 个 DOC 格式的文档,没有任何的图纸或源代码,查看文件列表

如果您已付费下载过本站文档,您可以点这里二次下载

分享

预览

r语言进行arima分析.doc

上传人:tswng35 2021/12/31 文件大小:130 KB

下载得到文件列表

r语言进行arima分析.doc

相关文档

文档介绍

文档介绍:. .
. v .
R学****日记——时间序列分析之ARIMA模型预测
今天学****ARIMA预测时间序列。
指数平滑法对于预测来说是非常有帮助的,而且它对时间序列上面连续的值之间相关性没有要求。但是,如果你想使用指数平滑法计算出预测区间,那么预测误差必须是不相关的,而且必须是服从零均值、方差不变的正态分布。即使指数平滑法对时间序列连续数值之间相关性没有要求,在某种情况下,我们可以通过考虑数据之间的相关性来创立更好的预测模型。自回归移动平均模型〔 ARIMA〕包含一个确定〔explicit〕的统计模型用于处理时间序列的不规那么局部,它也允许不规那么局部可以自相关。
首先,先确定数据的差分。
ARIMA 模型为平稳时间序列定义的。因此,如果你从一个非平稳的时间序列开场,首先你就需要做时间序列差分直到你得到一个平稳时间序列。如果你必须对时间序列做 d 阶差分才能得到一个平稳序列,那么你就使用ARIMA(p,d,q)模型,其中 d 是差分的阶数。
我们以每年女人裙子边缘的直径做成的时间序列数据为例。从 1866 年到 1911 年在平均值上是不平稳的。随着时间增加,数值变化很大。
> skirts <- scan("robjhyndman./tsdldata/roberts/",skip=5)
Read 46 items
> skirtsts<- ts(skirts,start = c(1866))
> (skirtsts)
. .
. v .
我们可以通过键入下面的代码来得到时间序列〔数据存于“skirtsts〞〕的一阶差分,并画出差分序列的图:
> skirtstsdiff<-diff(skirtsts,differences=1)
> (skirtstsdiff)
从一阶差分的图中可以看出,数据仍是不平稳的。我们继续差分。
> skirtstsdiff2<-diff(skirtsts,differences=2)
> (skirtstsdiff2)
二次差分〔上面〕后的时间序列在均值和方差上确实看起来像是平稳的,随着时间推移,时间序列的水平和方差大致保持不变。因此,看起来我们需要对裙子直径进展两次差分以得到平稳序列。
. .
. v .
第二步,找到适宜的ARIMA模型
如果你的时间序列是平稳的,或者你通过做 n 次差分转化为一个平稳时间序列,接下来就是要选择适宜的 ARIMA模型,这意味