![基于R语言时间序列分析所有指令[2021]](http://www.mshxw.com/aiimages/31/855653.png "基于R语言时间序列分析所有指令[2021]")
文章目录文章主要是总结一学期所学，基本覆盖了所有常见的指令，足够完成arima模型的数据选择到模型预测。
时间序列应用广泛，不能仅仅局限于理论学习，代码实践更为重要。
往期文章链接：
基于 ARIMA-GARCH 模型人名币汇率分析与预测[论文完整][2020年]
- 1 安装包指令
- 2 加载包指令
- 3 help指令的使用
- 4 读取不同格式数据
- 4.1 读取csv格式的数据
- 4.2 读取txt格式的数据
- 4.3 读取xls和xlsx格式的数据
- 4.4 参数使用
- 5 ts生成时间序列的对象
- 5.1 时间间隔为年的情况
- 5.2 时间间隔为月的情况
- 5.3 时间间隔为日的情况
- 5.4 参数使用
- 6 plot绘制时间序列的折线图
- 7 平稳性检验的三种方式
- 7.1 图检法
- 7.2 通过acf自相关系数图
- 7.3 通过adf函数p值判断（不需要主观判断）
- 8 白噪声（纯随机）检验的方式
- 9 绘制自相关系数图和偏自相关系数图
- 10模型选择及其定阶
- 10.1通过acf图和pacf图
- 10.2通过auto.arima()自动选择
- 11AIC,BIC准则判断模型好坏
- 12 foreca进行模型预测
- 13 差分命令
- 14 差分命令
- 15 完整操作流程图
- 总结
install.packages("tseries")
install.packages("forecast")
2 加载包指令
说明：载入一个包之后，就可以使用一系列新的函数和数据集了。包中往往提供了演示性的小型数据集和示例代码，能够让我们尝试这些新功能
library(tseries) library(forecast)3 help指令的使用
说明：使用函数help()可以查看其中任意函数或数据集的更多细节
help(package="tseries")4 读取不同格式数据 4.1 读取csv格式的数据
data<-read.csv("路径",header=F,sep=",")
4.2 读取txt格式的数据
data<-read.table("路径",header=F,sep=",")
4.3 读取xls和xlsx格式的数据
可以统一将数据文件格式转成csv进行处理
4.4 参数使用路径（注意反斜杠的方向）
E:/大三上课程/时间序列.csv
E:/大三上课程/时间序列.txt
heaer
这是一个逻辑值，T or F 反映文件的第一行是否包含变量名
sep
文件中的字段分隔符，例如对用制表符分割的文件使用sep="t"
ts(data$V1,frequency = 1,start=c(1975))
frequent=1表示以年为单位间隔 start说明了数据从1975年开始
ts(data$V1,frequency = 12,start=c(1975,1))
frequent=12表示以月为单位间隔 start说明数据从1975年1月开始
ts(data$V1,frequency = 365,start=c(1975,1,1))
frequent=365表示以日为单位间隔 start说明数据从1975年1月1日开始
data
这个必须是一个矩阵，或者向量，再或者数据框frame
补充 ：data$v1 表示数据源的第一排 v2表示第二排 容易遗漏
Frequency
这个是时间观测频率数，也就是每个时间单位的数据数目
Start
时间序列开始值（是一个向量），允许第一个个时间单位出现数据缺失
plot基本用法
plot(x=x轴数据,y=y轴数据,main="标题",sub="子标题"，type="线型",xlab="x轴名称"，ylab="y轴名称"，xlim = c(x轴范围，x轴范围),ylim = c(y轴范围,y轴范围))
实例演示
ts_1<-ts(data$V1,frequency = 365,start=c(1975,1,1)) plot(ts_1，main="ceshi",ylab="大小",xlab="时间",ylim=(-3:3))7 平稳性检验的三种方式 7.1 图检法
通过plot()绘制时间序列的时序图，如果序列是平稳的，那么序列应该是围绕一个均值上下随机波动。如果序列呈现递增递减则不是平稳时间序列。
如下图时序图无明显趋势，在一个值上下波动，初步判断为平稳序列。
对于平稳时间序列，其自相关图一般随着阶数的递增，自相关系数会迅速衰减至0附近，而非平稳时间序列则可能存在先减后增或者周期性波动等变动。如下图所示，该时间序列随着阶数的递增迅速衰减至0附近，因此，可以判断该时间序列不是平稳时间序列。
acf(ts_1)7.3 通过adf函数p值判断（不需要主观判断）
#使用前要加载包 ts_1是通过ts生成的时间序列（不清楚看前面）
install.packages("tseries")
library(tseries)
adf.test(ts_1)
p值为0.02547小于显著性水平0.05接受备择假设，为平稳序列。若p值大于0.05则为非平稳性检验
#其中ts_1是通过ts做出的时序序列，for循环是为了多判断几期p值的判断。 #一般我们判断前12期的p值，期数越大越不容易小于0.05。 for（i in 1:4）print(Box.test(ts_1,lag=2*i))
当p值都小于0.05，我们接受备择假设，该序列为非随机序列。
当p值大于0.05，我们选择原假设，该序列为 纯随机序列。
例如下，p值都小于0.05判断为非随机序列。如果为随机序列则数据之间无关联，只能进行差分或者放弃。
自相关系数图acf
acf(ts_1)
偏自相关系数pacf
pacf(ts_1)
补充
下面指令可以将直接做出时序图，acf，pacf
tsdisplay(ts_1)10模型选择及其定阶 10.1通过acf图和pacf图
-
若PACF序列满足在p步截尾，且ACF序列被负指数函数控制收敛到0，则Yn为AR§序列。
-
若ACF序列满足在q步截尾，且PACF序列被负指数函数控制收敛到0，则Yn为MA(q)序列
。 -
若ACF序列和PACF序列满足皆不截尾，但都被负指数函数控制收敛到0，则Yn为ARMA序列。
当我们选择好模型可以通过如下指令进行构建模型
#其中p表示AR的阶数 d表示差分的次数 q表示MA的阶数 all<-arima(ts_1,order=c(p,d,q)) all10.2通过auto.arima()自动选择
# 无特殊要求使用默认参数即可 auto.arima(ts_1)
如下函数为我们选择的是AR(1) ，aic aicc bic都是用来判断模型的好坏的准则，后面具体说明。
AIC
AIC = -2In(L) + 2k
其中L指对应的最大似然函数，k指对应的模型的变量的个数。
BIC
BIC = -2In(L) + In(n)*k
n指对应的数据数量，L和k同上所述。kln(n)惩罚项在维数过大且训练样本数据相对较少的情况下，可以有效避免出现维度灾难现象。
AIC,BIC越小越好
12 foreca进行模型预测# all表示模型 all<-arima(ts_1,order=c(1,0,0)) # 60表示预测接下来的60个值 library(forecast) plot(forecast(all,60))#绘制图形 forecast(all,60) #显示所有预测值13 差分命令
#s1 表示差分后新的序列 #data$v1表示数据源的第一列，也就是要进行操作的数据 #1表示差分一次 s1<-diff(data$v1,1)14 差分命令 15 完整操作流程图 总结
最后希望给文章点个赞，整理不易！！！
最后希望给文章点个赞，整理不易！！！
最后希望给文章点个赞，整理不易！！！
如果有错误可以评论私信。
如有需要完整论文及代码数据便于参考学习可评论、私信。
