时间序列分析基于R答案Word格式.docx

时间序列分析基于R答案Word格式.docx

《时间序列分析基于R答案Word格式.docx》由会员分享，可在线阅读，更多相关《时间序列分析基于R答案Word格式.docx（39页珍藏版）》请在冰豆网上搜索。

习题2.2数据.txt'

sep='

\t'

header=F）

data=ts（as.vector（t（as.matrix（volcano.co2）））,start=c（1975,1））

plot（data）

as.vector（acf（data,lag.max=23）$acf）

#序列自相关系数长期位于零轴的一边。

这是

#具有单调趋势序列的典型特征，同时自相关

#图呈现出明显的正弦波动规律，这是具有周

#期变化规律的非平稳序列的典型特征。

自相

#关图显示出来的这两个性质和该序列时序图

#显示出的带长期递增趋势的周期性质是非常

#吻合的。

#2.5习题-3

rain=read.table（'

习题2.3数据.txt'

data=ts（as.vector（t（as.matrix（rain）））,start=c（1945,1））

#该序列为平稳序列

as.vector（acf（data,lag.max=23）$acf）

#该序列的自相关系数一直都比较小，

#基本控制在2倍的标准差范闹以内，

#可以认为该序列自始至终都在零轴附

#近波动，这是随机性非常强的平稳时

#间序列通常具有的自相关图特征。

for（iin1:

2）{

print（Box.test（data,lag=6*i））

}

#根据这个检验结果，不能拒绝序列纯

#随机的原假设。

因而可以认为此序列

#的变动属于纯随机波动。

#2.5习题-4

data=c（0.02,0.05,0.10,-0.02,0.05,0.01,0.12,-0.06,0.08,-0.05,0.02,-0.05）

Q=100*data%*%data

LB=100*102*（data/c（99:

88））%*%data

1-pchisq（Q,12）

1-pchisq（LB,12）

#认为该序列为纯随机序列

#2.5习题-5

sale.data=read.table（'

习题2.5数据.txt'

sale.data=sale.data[-1,]

sale.data=sale.data[,-1]

data=ts（as.numeric（as.vector（as.matrix（sale.data））,start=c（2000,1）））

#该序列不是平稳序列

acf（data）

#纯随机性检验结果显示，在各阶延迟

#下LB检验统计量的P值都非常小（<

0.05），

#所以我们可以以很大的把握断定该序

#列属于非白噪声序列。

#2.5习题-6

par（mfrow=c（2,2））

习题2.6数据.txt'

temp=as.vector（t（as.matrix（sale.data）））

temp=temp[1:

（length（temp）-2）]

data=ts（temp,start=c（1969,1）,frequency=28）

print（Box.test（data,lag=6*i,type='

Ljung-Box'

））

#列属于非白噪声序列

data=data-c（0,data[1:

（length（data）-1）]）

#该序列是平稳序列

第三章平稳时间序列分析

#3.5习题-17

snow=read.table（'

习题3.17数据.txt'

x=as.vector（t（as.matrix（snow）））

x=x[1:

（length（x）-1）]

data=ts（x）

pacf（data）

library（forecast）

library（zoo）

auto.arima（data）

#ARIMA（0,1,1）

data.fit=arima（data,order=c（0,1,1））

data.fit

data.fore=forecast（data.fit,h=5）

data.fore

plot（data.fore）

#3.5习题-18

rice=read.table（'

习题3.18数据.txt'

x=as.vector（t（as.matrix（rice）））

（length（x）-3）]

#3.5习题-19

re=read.table（'

习题3.19数据.txt'

x=as.vector（t（as.matrix（re）））

（length（x）-6）]

#ARIMA（0,0,2）

data.fit=arima（data,order=c（0,0,2））

data.fore=forecast（data.fit,h=1）

#3.5习题-20

p=read.table（'

习题3.20数据.txt'

x=as.vector（t（as.matrix（p）））

（length（x）-2）]

#ARIMA（2,1,3）

data.fit=arima（data,order=c（2,1,3））

第四章非平稳序列的确定性分析

#4.6习题-5

习题4.5数据.txt'

（length（x）-4）]

#线性拟合

t=c（1:

length（x））

data.fit=lm（data~t）

summary（data.fit）

abline（lm（data~t）,col=2）

#5期移动平均法

library（TTR）

data.ma=SMA（x,n=5）

lines（data.ma,col=3,lwd=2）

p1=sum（data[（length（data）-4）:

length（data）]）/5

p2=（sum（data[（length（data）-3）:

length（data）]）+p1）/5

p3=（sum（data[（length（data）-2）:

length（data）]）+p1+p2）/5

p4=（sum（data[（length（data）-1）:

length（data）]）+p1+p2+p3）/5

p5=（data[length（data）]+p1+p2+p3+p4）/5

print（c（p1,p2,p3,p4,p5））

#Holt两参数平滑

data.fit2=HoltWinters（data,gamma=F）

data.fit2

plot（data.fit2）

data.f=forecast（data.fit2,h=5）

data.f

plot（data.f）

#4.6习题-6

习题4.6数据.txt'

data=ts（x,start=1948）

#二次拟合

#lm

t1=c（1:

t2=t1^2

data.fit1=lm（data~t1+t2）

summary（data.fit1）

#nls

data.fit2=nls（x~a+b*t1+c*t1^2,start=list（a=1,b=1,c=1））

summary（data.fit2）

y=predict（data.fit2）

y=ts（y,start=1948）

plot（data,type='

p'

）

lines（y,col=2,lwd=2）

#4.6习题-7

习题4.7数据.txt'

data=ts（x,start=c（1962,1）,frequency=12）

#该时序图具有季节效应

#因素分解

data.fit=decompose（data,type='

mult'

plot（data.fit）

#Holt-winters三参数指数平滑

data.fit2=HoltWinters（data）

data.f=forecast（data.fit2,h=12）

#4.6习题-8

习题4.8数据.txt'

data=x[1:

data=ts（data,start=c（1980,1）,frequency=12）

#该时序图具有季节效应和趋势起伏变动

#12期移动平均法预测

data.p=data

for（iinc（1:

24））{

p=sum（data.p[（length（data.p）-11）:

length（data.p）]）/12

data.p=c（data.p,p）

data.p[（length（data.p）-23）:

length（data.p）]

第五章非平稳序列的随机分析

#5.7习题-1

习题5.1数据.txt'

x=ts（x）

plot（x）

#蕴含显著线性趋势

#一阶差分

x.dif=diff（x）

plot（x.dif）

acf（x.dif）

#0阶截尾

pacf（x.dif）

#拖尾

#ARIMA（0,1,0）

auto.arima（x）

x.fit=arima（x,order=c（0,1,1））

x.fit

print（Box.test（x.fit$residual,lag=6*i））

x.f=forecast（x.fit,h=1）

x.f

plot（x.f）

#5.7习题-2

习题5.2数据.txt'

header=T）

x=as.matrix（p）

x=c（x[,2],x[,4],x[,6]）

x=ts（x,start=1949）

#蕴含曲线趋势

#二阶差分

x.dif2=diff（x.dif）

plot（x.dif2）

acf（x.dif2）

pacf（x.dif2）

#3阶截尾

#ARIMA（3,2,0）

#ARIMA（0,2,2）

x.fit=arima（x,order=c（3,2,0））

x.f=forecast（x.fit,h=5）

#5.7习题-3

习题5.3数据.txt'

x=as.numeric（c（x[,2],x[,4],x[,6]））

x=ts（x,start=1973,frequency=12）

#蕴含固定周期趋势

#一阶差分+12步差分

x.dif2=diff（diff（x）,12）

#判断不出来

#ARIMA（0,1,1）（0,1,1）[12]

x.fit=arima（x,order=c（0,1,1）,seasonal=list（order=c（0,1,1）,period=12））

#5.7习题-4

习题5.4数据.txt'

x=as.numeric（c（x[,2],x[,4],x[,6]）,x[,8]）

x=ts（x,start=1750）

#ARIMA（3,1,0）

#ARIMA（0,0,1）withnon-zeromean