R语言常用上机命令分功能整理时间序列分析为主.docx

1、R语言常用上机命令分功能整理时间序列分析为主R语言常用上机命令分功能整理时间序列分析为主第一讲应用实例 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 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

2、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, m

3、ean, 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 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

4、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tsts(1:10, frequency = 4, start = c(1959, 2) print( ts(1:10, frequency = 7, start = c(12, 2), calendar = TRUE)a t，如不加入这个参数表示所求p值为PT =t。乘2表示p值是双侧的（课本上的p值由sas算出，是

5、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$residualsa=arima(prop, order = c(1,0,0),method=ML)r=a$residuals#用r来保存残差Box.test(r,type=L

6、jung-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，number of degrees of freedom to be subtracted if x is a series of residuals，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

7、=1) Box-Ljung testdata: 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=1:12tlm1=lm(at)summary(lm1) # 返回拟合参数的统计量coef(lm1) #返回被估计的系数fitt

8、ed(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 #eg1cs=ts(scan(eg1.txt,sep=,)csts.plot(cs)t=1:40lm2=lm(cst)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

9、模型t=1:14x2=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)x2plot(t,x2)m1=nls(x2a*t+bt,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

10、符 a=read.csv(example4_2.csv,header=TRUE)t=a$tx=a$xxts.plot(x)m2=nls(xa*t+bt,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#eg2I-scan(eg2.txt)Ix=ts(data=I,start=c(1991,1),f=12) #化为时间序列 xplot.ts(x)t=1:13

11、0t2=t2m3=lm(xt+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(xt2) 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)yts.plot(x);lines(y)#平滑法 #简单移动平均法x=c(5,5.4,5.8,6.2)xy=filter(x,rep(1/4,4),sides=1) y#指数平滑for(i in 1:3) x1=x1 xi+1=0.

12、25*xi+1+0.75*xi #HoltWinters Filtera=ts(read.csv(holt.csv,header=F),start=c(1978,1),f=1)am=HoltWinters(a,alpha=0.15,beta=0.1,gamma=FALSE,l.start=51259,b.start=4325)mfitted(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 csts.plot(cs) #绘制时序图 cs.sea1=rep(0,12)cs

13、.sea1for(i in 1:12) for(j in 1:8) cs.sea1i=cs.sea1i+csi+12*(j-1) cs.sea=(cs.sea1/8)/(mean(cs)cs.seacs.sea2=rep(cs.sea,8)cs.sea2x=cs/cs.sea2xplot(x)t=1:96m1=lm(xt)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5.1sha

14、=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5.2car=ts(read.csv(car.csv,header=F),start=1950,freq=1)carpar(mfrow=c(3,1)ts.plot(car)ts.plot(diff(car)ts.plot(diff(car,differences=2)#例5.3milk=ts(scan(milk.txt),start=c(1962,1),freq=12)milkpar(m

15、frow=c(3,1)ts.plot(milk)ts.plot(diff(milk)dm1=diff(diff(milk),lag=12)ts.plot(dm1)acf(dm1)#例5.5x=ts(cumsum(rnorm(1000,0,100)ts.plot(x)#拟合ARIMA模型#5.8.1a=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)#inc

16、om=ts(read.csv(incom.csv,header=F),start=1952,freq=1)incomts.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)

17、,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.htmBox.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5.8w=ts(read.csv(w.csv),start=1917,freq=1)w=w,1par(

18、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 5.9ue=ts(scan(unemployment.txt),start=19