Tutorial 8 Dayu 2022-05-2】 案例1，P35,绘制时序图 x1<-c(12.85,13.29,12.41,15.21,14.23,13.56) x2<-c(15.21,14.23,14.69,13.27,16.75,15.33) da <-data.frame(x1,x2) #妇函数：是将数值型数据向量转化成一个时阿序列对象。 #脚每个数据带上一个日期标签 dal <-ts(da[,1],frequency-12,start-c(2004,7)) da2 <-ts(da[,2],frequency 12,start c(2004,7)) #frequency=1(年)，12（月，1（季度） 来将两张图放在一页 par(mfcol-c(2,1)) plot(da1,pe='1)#'L'表示画线 plot(da2,type='1"） 1
Tutorial 8 Dayu 2022-05-21 案例 1, P35, 绘制时序图 x1 <- c(12.85,13.29,12.41,15.21,14.23,13.56) x2 <- c(15.21,14.23,14.69,13.27,16.75,15.33) da <- data.frame(x1, x2) # ts 函数：是将数值型数据向量转化成一个时间序列对象。 # 即每个数据带上一个日期标签 da1 <- ts(da[,1],frequency = 12, start = c(2004,7)) da2 <- ts(da[,2],frequency = 12, start = c(2004,7)) # frequency = 1(年), 12(月), 4(季度) # 将两张图放在一页 par(mfcol = c(2,1)) plot(da1,type = 'l') #'l'表示画线 plot(da2,type = 'l') 1
2004.5 2004.6 2004.7 2004.8 2004.9 Time 2004.5 2004.6 2004.7 2004.8 2004.9 Time #将两个数据放在一张图上 par(mfcol =c(1,1)) ts.plot(da1,da2,gpars-list(col-c("blue","red"))) 2004.5 2004.6 2004.7 2004.8 2004.9 Time 案例2，P37,平稳性检验
Time da1 2004.5 2004.6 2004.7 2004.8 2004.9 12.5 Time da2 2004.5 2004.6 2004.7 2004.8 2004.9 13.5 # 将两个数据放在一张图上 par(mfcol = c(1,1)) ts.plot(da1,da2,gpars=list(col=c("blue","red"))) Time 2004.5 2004.6 2004.7 2004.8 2004.9 13 14 15 16 案例 2, P37, 平稳性检验 2
x<-c(97,154,137.7,149,164,157,188,204,179,210,202,218,209, 204,211,206,214,217,210,217,219,211,233,316,221,239, 215.228.219.239.224,234.227.298.332.245,357.301,389) y<-ts(x,frequency -1,start -1970) library(forecast) #Registered S3 method overwritten by 'quantmod': method from ##as.zoo.data.frame zoo library(tseries) 杂步骤1，平稳性检脸 时序图检验 par(mfcol =c(1,1)) plot(y) 导 景 色 1970 1980 1990 2000 Time #不平稳 ar(m时col=c(2,D) #自相关图 Acf(y)
x <- c(97,154,137.7,149,164,157,188,204,179,210,202,218,209, 204,211,206,214,217,210,217,219,211,233,316,221,239, 215,228,219,239,224,234,227,298,332,245,357,301,389) y <- ts(x, frequency = 1, start = 1970) library(forecast) ## Registered S3 method overwritten by 'quantmod': ## method from ## as.zoo.data.frame zoo library(tseries) # 步骤 1，平稳性检验 # 时序图检验 par(mfcol = c(1,1)) plot(y) Time y 1970 1980 1990 2000 100 150 200 250 300 350 400 # 不平稳 #par(mfcol = c(2,1)) # 自相关图 Acf(y) 3
Series y 123456789101112131415 Lag HA(q)的藏尾性，=0当>g时。 #ac(y)ACF时acf的改进，主要时Ac时没有在滞后0阶的时候绘制峰值 #偏自相关图 Pacf(y)
−0.4 0.0 0.2 0.4 0.6 Lag ACF Series y 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 #MA(q) 的截尾性，i=0 当 i>q 时。 #acf(y) ACF 时 acf 的改进，主要时 Acf 没有在滞后 0 阶的时候绘制峰值 # 偏自相关图 Pacf(y) 4
Series y 00 女0- 1011121314 15 Lag #平稳的AR(P)模型一般有阶藏尾性，即=0当>时. #随机性检验 LBQ <-Box.test(y,type="Ljung-Box") #因为这里样本量很小，用boc-1了ung检验比较准确P31 LBQ 样 ##Box-Ljung test ##data:y #X-squared=14.037,df=1,p-va1ue=0.0001792 #拒绝原假设，不随机，值得研究 #差分次数 ndiffs(y） #[1]1 #显示要差分一次 dy <-diff(y) plot(dy)
−0.4 0.0 0.2 0.4 0.6 Lag Partial ACF Series y 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 # 平稳的 AR(P) 模型一般有 p 阶截尾性，即 Φii=0 当 i>p 时。 # 随机性检验 LBQ <- Box.test(y,type = "Ljung-Box") # 因为这里样本量很小，用 box-ljung 检验比较准确 P31 LBQ ## ## Box-Ljung test ## ## data: y ## X-squared = 14.037, df = 1, p-value = 0.0001792 # 拒绝原假设，不随机, 值得研究 # 差分次数 ndiffs(y) ## [1] 1 # 显示要差分一次 dy <- diff(y) plot(dy) 5