整合R语言常用上机命令分功能整理时间序列分析为主名师精品资料.docx

整合R语言常用上机命令分功能整理时间序列分析为主名师精品资料.docx

《整合R语言常用上机命令分功能整理时间序列分析为主名师精品资料.docx》由会员分享，可在线阅读，更多相关《整合R语言常用上机命令分功能整理时间序列分析为主名师精品资料.docx（25页珍藏版）》请在冰豆网上搜索。

整合R语言常用上机命令分功能整理时间序列分析为主名师精品资料

应用实例

•R的基本界面是一个交互式命令窗口，命令提示符是一个大于号，命令的结果马上显示在命令下面。

•S命令主要有两种形式：

表达式或赋值运算（用’<－’或者’=’表示）。

在命令提示符后键入一个表达式表示计算此表达式并显示结果。

赋值运算把赋值号右边的值计算出来赋给左边的变量。

•可以用向上光标键来找回以前运行的命令再次运行或修改后再运行。

•S是区分大小写的，所以x和X是不同的名字。

我们用一些例子来看R软件的特点。

假设我们已经进入了R的交互式窗口。

如果没有打开的图形窗口，在R中，用：

>x11（）可以打开一个作图窗口。

然后，输入以下语句：

x1=0:

100

x2=x1*2*pi/100

y=sin（x2）

plot（x2,y,type="l"）

这些语句可以绘制正弦曲线图。

其中，“=”是赋值运算符。

0:

100表示一个从0到100的等差数列向量。

第二个语句可以看出，我们可以对向量直接进行四则运算，计算得到的x2是向量x1的所有元素乘以常数2*pi/100的结果。

从第三个语句可看到函数可以以向量为输入，并可以输出一个向量，结果向量y的每一个分量是自变量x2的每一个分量的正弦函数值。

plot（x2,y,type="l",main="画图练习",sub="好好练",xlab="x轴",ylab='y轴'）

有关作图命令plot的详细介绍可以在R中输入help（plot）

数学函数

abs，sqrt：

绝对值，平方根log,log10,log2,exp：

对数与指数函数sin，cos，tan，asin，acos，atan，atan2：

三角函数sinh，cosh，tanh，asinh，acosh，atanh：

双曲函数

简单统计量

sum,mean,var,sd,min,max,range,median,IQR（四分位间距）等为统计量，sort，order，rank与排序有关，其它还有ave，fivenum，mad，quantile，stem等。

下面我们看一看S的统计功能:

>marks<-c（10,6,4,7,8）

>mean（marks）

>sd（marks）

>min（marks）

>max（marks）

第一个语句输入若干数据到一个向量，函c（）用来把数据组合为一个向量。

后面用了几个函数来计算数据的均值、标准差、最小值、最大值。

可以把若干行命令保存在一个文本文件中，然后用source函数来运行整个文件：

>source（"C:

/l.R"）注意字符串中的反斜杠。

例:

计算6,4,7,8，10的均值和标准差，把若干行命令保存在一个文本文件（比如C:

\1.R）中，然后用source函数来运行整个文件。

a<-c（10,6,4,7,8）

b<-mean（a）

c<-sd（a）

source（"C:

/1.R"）

时间序列数据的输入

使用函数ts

ts（1:

10,frequency=4,start=c（1959,2））

print（ts（1:

10,frequency=7,start=c（12,2））,calendar=TRUE）

a<-ts（1:

10,frequency=4,start=c（1959,2））

plot（a）

将外部数据读入R

read.csv

默认header=TRUE，也就是第一行是标签，不是数据。

read.table

默认header=FALSE

将R中的数据输出

write

write.table

write.csv

第二讲

1.绘制时序图、自相关图

例题2.1

d=scan（"sha.csv"）

sha=ts（d,start=1964,freq=1）

plot.ts（sha）#绘制时序图

acf（sha,22）#绘制自相关图，滞后期数22

pacf（sha,22）#绘制偏自相关图，滞后期数22

corr=acf（sha,22）#保存相关系数

cov=acf（sha,22,type="covariance"）#保存协方差

图的保存，单击选中图，在菜单栏选中“文件”，再选“另存为”。

同时显示多个图：

用x11（）命令生成一个空白图，再输入作图命令。

2.同时绘制两组数据的时序图

d=read.csv（"double.csv",header=F）

double=ts（d,start=1964,freq=1）

plot（double,plot.type="multiple"）#两组数据两个图

plot（double,plot.type="single"）#两组数据一个图

plot（double,plot.type="single",col=c（"red","green"）,lty=c（1,2））#设置每组数据图的颜色、曲线类型）

3.产生服从正态分布的随机观察值

例题2.4随机产生1000白噪声序列观察值

d=rnorm（1000,0,1）#个数1000均值0方差1

plot.ts（d）

4.纯随机性检验

例题2.3续

d=scan（"temp.csv"）

temp=ts（d,freq=1,start=c（1949））

Box.test（temp,type="Ljung-Box",lag=6）

5.差分计算

x=1:

10

y=diff（x）

k步差分

加入参数lag=k

如计算x的3步差分为

y=diff（x,lag=3）

p阶差分

加入参数differences=p

如2阶差分

y=diff（x,differences=2）

第三讲

例题3.1

plot.ts（arima.sim（n=100,list（ar=0.8）））

#模拟AR

（1）模型，并作时序图。

plot.ts（arima.sim（n=100,list（ar=-1.1）））

#非平稳，无法得到时序图。

plot.ts（arima.sim（n=100,list（ar=c（1,-0.5））））

plot.ts（arima.sim（n=100,list（ar=c（1,0.5））））

例题3.5

acf（arima.sim（n=100,list（ar=0.8）））

acf（arima.sim（n=100,list（ar=-1.1）））

acf（arima.sim（n=100,list（ar=c（1,-0.5））））

acf（arima.sim（n=100,list（ar=c（1,0.5））））

例题3.7

arima.sim（n=1000,list（ar=0.5,ma=-0.8））

acf（arima.sim（n=1000,list（ar=0.5,ma=-0.8））,20）

pacf（arima.sim（n=1000,list（ar=0.5,ma=-0.8））,20）

例题2.5

d=scan（"a1.5.txt"）#导入数据

prop=ts（d,start=1950,freq=1）#转化为时间序列数据

plot（prop）#作时序图

acf（prop,12）#作自相关图，拖尾

pacf（prop,12）#作偏自相关图，1阶截尾

Box.test（prop,type="Ljung-Box",lag=6）

#纯随机性检验,p值小于5%，序列为非白噪声

Box.test（prop,type="Ljung-Box",lag=12）

arima（prop,order=c（1,0,0）,method="ML"）

#用AR

（1）模型拟合，如参数method="CSS"，估计方法为条件最小二乘法，用条件最小二乘法时，不显示AIC。

arima（prop,order=c（1,0,0）,method="ML",include.mean=F）#用AR

（1）模型拟合，不含截距项。

tsdiag（arima（prop,order=c（1,0,0）,method="ML"））

#对估计进行诊断，判断残差是否为白噪声

summary（arima（prop,order=c（1,0,0）,method="ML"））

a=arima（prop,order=c（1,0,0）,method="ML"）

r=a$residuals#用r来保存残差

Box.test（r,type="Ljung-Box",lag=6）#对残差进行纯随机性检验

predict（arima（prop,order=c（1,0,0））,n.ahead=5）#预测未来5期

prop.fore=predict（arima（prop,order=c（1,0,0））,n.ahead=5）

#将未来5期预测值保存在prop.fore变量中

U=prop.fore$pred+1.96*prop.fore$se

L=prop.fore$pred–1.96*prop.fore$se#算出95%置信区间

ts.plot（prop,prop.fore$pred,col=1:

2）#作时序图，含预测。

lines（U,col="blue",lty="dashed"）

lines（L,col="blue",lty="dashed"）#在时序图中作出95%置信区间

例题3.9

d=scan（"a1.22.txt"）

x=diff（d）

arima（x,order=c（1,0,1）,method="CSS"）

tsdiag（arima（x,order=c（1,0,1）,method="CSS"））

第一点：

对于第三讲中的例2.5，运行命令arima（prop,order=c（1,0,0）,method="ML"）之后，显示：

Call:

arima（x=prop,order=c（1,0,0）,method="ML"）

Coefficients:

ar1intercept

0.691481.5509

s.e.0.09891.7453

sigma^2estimatedas15.51:

loglikelihood=-137.02,aic=280.05

注意：

intercept下面的81.5509是均值，而不是截距！

虽然intercept是截距的意思，这里如果用mean会更好。

（themeanandtheinterceptarethesameonlywhenthereisnoARterm，均值和截距是相同的，只有在没有AR项的时候）

如果想得到截距，利用公式计算。

int=（1-0.6914）*81.5509=25.16661。

课本P81的例2.5续中的截距25.17是正确的。

第二点：

如需计算参数的t统计量值和p值，利用下面的公式。

ar的t统计量值=0.6914/0.0989=6.9909

（注：

数值与课本略有不同，因为课本用sas算的se=0.1029，R计算的se=0.0989）

p值=pt（6.9909,df=48,lower.tail=F）*2

pt（）为求t分布求p值的函数，6.99为t统计量的绝对值，df为自由度=数据个数-参数个数，lower.tail=F表示所求p值为P[T>t]，如不加入这个参数表示所求p值为P[T<=t]。

乘2表示p值是双侧的（课本上的p值由sas算出，是双侧的）

均值的t统计量值和p值同理。

在时间序列中对参数显著性的要求与回归模型不同，我们更多的是考察模型整体的好坏，而不是参数。

所以，R中的arima拟合结果中没有给出参数的t统计量值和p值，如果题目没有特别要求，一般不需要手动计算。

第三点：

修正第三讲中的错误：

例2.5中，我们用下面的语句对拟合arima模型之后的残差进行了LB检验：

a=arima（prop,order=c（1,0,0）,method="ML"）

r=a$residuals

a=arima（prop,order=c（1,0,0）,method="ML"）

r=a$residuals

#用r来保存残差

Box.test（r,type="Ljung-Box",lag=6）

#对残差进行纯随机性检验

最后一句不完整，需要加上参数fitdf=1，修改为

Box.test（r,type="Ljung-Box",lag=6，fitdf=1）

fitdf表示p+q，numberofdegreesoffreedomtobesubtractedifxisaseriesofresiduals，当检验的序列是残差到时候，需要加上命令fitdf，表示减去的自由度。

运行Box.test（r,type="Ljung-Box",lag=6,fitdf=1）后，显示的结果：

Box.test（r,type="Ljung-Box",lag=6,fitdf=1）

Box-Ljungtest

data:

r

X-squared=5.8661,df=5,p-value=0.3195

“df=5”表示自由度为5，由于参数lag=6，所以是滞后6期的检验。

第四讲

#example4_1拟合线性模型

x1=c（12.79,14.02,12.92,18.27,21.22,18.81,25.73,26.27,26.75,28.73,31.71,33.95）

a=as.ts（x1）

is.ts（a）

ts.plot（a）

t=1:

12

t

lm1=lm（a~t）

summary（lm1）#返回拟合参数的统计量

coef（lm1）#返回被估计的系数

fitted（lm1）#返回模拟值

residuals（lm1）#返回残差值

fit1=as.ts（fitted（lm1））

ts.plot（a）;lines（fit1,col="red"）#拟合图

#eg1

cs=ts（scan（"eg1.txt",sep=","））

cs

ts.plot（cs）

t=1:

40

lm2=lm（cs~t）

summary（lm2）#返回拟合参数的统计量

coef（lm2）#返回被估计的系数

fit2=as.ts（fitted（lm2））#返回模拟值

residuals（lm2）#返回残差值

ts.plot（cs）;lines（fit2,col="red"）#拟合图

#example4_2拟合非线性模型

t=1:

14

x2=c（1.85,7.48,14.29,23.02,37.42,74.27,140.72,265.81,528.23,1040.27,2064.25,4113.73,8212.21,16405.95）

x2

plot（t,x2）

m1=nls（x2~a*t+b^t,start=list（a=0.1,b=1.1）,trace=T）

summary（m1）#返回拟合参数的统计量

coef（m1）#返回被估计的系数

fitted（m1）#返回模拟值

residuals（m1）#返回残差值

plot（t,x2）;lines（t,fitted（m1））#拟合图

#读取excel中读取文件，逗号分隔符

a=read.csv（"example4_2.csv",header=TRUE）

t=a$t

x=a$x

x

ts.plot（x）

m2=nls（x~a*t+b^t,start=list（a=0.1,b=1.1）,trace=T）

summary（m2）#返回拟合参数的统计量

coef（m2）#返回被估计的系数

fitted（m2）#返回模拟值

residuals（m2）#返回残差值

plot（t,x）;lines（t,fitted（m2））#拟合图

#eg2

I<-scan（"eg2.txt"）

I

x=ts（data=I,start=c（1991,1）,f=12）#化为时间序列

x

plot.ts（x）

t=1:

130

t2=t^2

m3=lm（x~t+t2）

coef（m3）#返回被估计的系数

summary（m3）#返回拟合参数的统计量

#去不显著的自变量，再次模拟

m4=lm（x~t2）

coef（m4）#返回被估计的系数

summary（m4）#返回拟合参数的统计量

m2=fitted（m4）#返回模拟值

y=ts（data=m2,start=c（1991,1）,f=12）

y

ts.plot（x）;lines（y）

#平滑法

#简单移动平均法

x=c（5,5.4,5.8,6.2）

x

y=filter（x,rep（1/4,4）,sides=1）

y

#指数平滑

for（iin1:

3）

{

x[1]=x[1]

x[i+1]=0.25*x[i+1]+0.75*x[i]

}

#HoltWintersFilter

a=ts（read.csv（"holt.csv",header=F）,start=c（1978,1）,f=1）

a

m=HoltWinters（a,alpha=0.15,beta=0.1,gamma=FALSE,l.start=51259,b.start=4325）

m

fitted（m）

plot（m）

plot（fitted（m））

#综合

cs=ts（read.csv（"eg3.csv",header=F）,start=c（1993,1）,f=12）#读取数据

cs

ts.plot（cs）#绘制时序图

cs.sea1=rep（0,12）

cs.sea1

for（iin1:

12）{

for（jin1:

8）{

cs.sea1[i]=cs.sea1[i]+cs[i+12*（j-1）]

}

}

cs.sea=（cs.sea1/8）/（mean（cs））

cs.sea

cs.sea2=rep（cs.sea,8）

cs.sea2

x=cs/cs.sea2

x

plot（x）

t=1:

96

m1=lm（x~t）

coef（m1）

summary（m1）

m=ts（fitted（m1）,start=c（1993,1）,f=12）

ts.plot（x,type="p"）;lines（m,col="red"）

r=residuals（m1）

Box.test（r）#白噪声检验

第五讲

########################

#回顾

#例5.1

sha=ts（scan（"sha.csv"）,start=1964,freq=1）

ts.plot（sha）

diff（sha）

par（mfrow=c（2,1））

ts.plot（diff（sha））

acf（diff（sha））

#例5.2

car=ts（read.csv（"car.csv",header=F）,start=1950,freq=1）

car

par（mfrow=c（3,1））

ts.plot（car）

ts.plot（diff（car））

ts.plot（diff（car,differences=2））

#例5.3

milk=ts（scan（"milk.txt"）,start=c（1962,1）,freq=12）

milk

par（mfrow=c（3,1））

ts.plot（milk）

ts.plot（diff（milk））

dm1=diff（diff（milk）,lag=12）

ts.plot（dm1）

acf（dm1）

#例5.5

x=ts（cumsum（rnorm（1000,0,100）））

ts.plot（x）

###########################

#拟合ARIMA模型

#5.8.1

a=ts（scan（"581.txt"））

par（mfrow=c（2,2））

ts.plot（a）

da=diff（a）

ts.plot（da）

acf（da,20）

pacf（da,20）

Box.test（da,6）

fit1=arima（a,c（1,1,0）,method="ML"）

predict（fit1,5）

#############################

incom=ts（read.csv（"incom.csv",header=F）,start=1952,freq=1）

incom

ts.plot（incom）

dincom=diff（incom）

ts.plot（dincom）

acf（dincom,lag=18）#自相关图

Box.test（dincom,type="Ljung-Box",lag=6）#白噪声检验

Box.test（dincom,type="Ljung-Box",lag=12）

Box.test（dincom,type="Ljung-Box",lag=18）

pacf（dincom,lag=18）

fit1=arima（dincom,order=c（0,0,1）,method="CSS"）

fit2=arima（incom,order=c（0,1,1）,xreg=1:

length（incom）,method="CSS"）#

见http:

//www.stat.pitt.edu/stoffer/tsa2/Rissues.htm

Box.test（fit2$resid,lag=6,type="Ljung-Box",fitdf=1）

fore=predict（fit2,10,newxreg=（length（incom）+1）:

（length（incom）+10））

#疏系数模型

#例5.8

w=ts（read.csv（"w.csv"）,start=1917,freq=1）

w=w[,1]

par（mfrow=c（2,2））

ts.plot（w）

ts.plot（diff（w））

acf（diff（w）,lag=18）

pacf（diff（w）,lag=18）

dw=diff（w）

fit3=arima（dw,order=c（4,0,0）,fixed=c（NA,0,0,NA,0）,method="CSS"）

Box.test（fit3$resid,lag=6,type="Ljung-Box",fitdf=2）

Box.test（fit3$resid,lag=12,type="Ljung-Box",fitdf=2）

fit4=armaFit（~arima（4,0,0）,fixed=c（NA,0,0,NA）,include.mean=F,data=dw,method="CSS"）

summary（fit4）

#例5.9

ue=ts（scan（"unemployment.txt"）,start=1962,f=4）