我學的時間序列課程，實驗課都是在sas做的，一直想用r把大概的思路捋順一下，所以這篇東西並沒有給出很多的程式結果，
更多地設計做時間序列的思路
#產生時間序列資料
#產生規則的時間序列,frequency=1,4,12分別對應年度，季度，月度
timeseries = ts(x,start=c(1940,01),frequency=1)
#產生不規則的時間序列
library(zoo)
#以天為單位的時間序列
date = seq(as.date("2012-01-01"),length=500,by="day")
timeseries = zoo(1:500,date)
#讀入資料
kings = scan("",skip=3)
#轉化成ts格式,frequency=1,4,12分別對應年度季度，月度
#要生成以天為單位的資料，只好生成一列時間序列數
kingsts = ts(kings,start=c(1940),frequency=1)
#有了資料，下一步就是用box.test()檢驗純隨機性,根據p值可以輕易判斷
box.test(kingsts,lag=1,type="box-pierce") #缺點是只可以做某一階的判斷
#可以生成各階檢驗的結果彙總表,一般是檢驗1到12階,一般短期延遲之內不存在相關關係，長期之內更不會有
#通過type = c("box-pierce", "ljung-box")控制方法，分別是q統計量（大樣本）、lb統計量（小樣本）
lag = c()
q.value = c()
p.value = c()
for(i in 1:12)
data.frame(lag=lag,q.value=q.value,p.value=p.value)
#觀察隨機性檢驗的結果，如果是純隨機序列，沒有再分析的必要了
#上述的結果表明該序列不是純隨機序列，可認為是非隨機的
#1、時序圖檢驗，就是簡單的觀察是否平穩，直接plot()即可
#2、自相關圖檢驗，平穩序列會快速趨向0
acf(kingsts) #自相關圖
pacf(kingsts) #偏自相關圖
#3、單位根檢驗
#平穩性檢驗之後，如果是不平穩就有確定性分析和隨機性分析，下面先是隨機性分析
#可以知道kingsts是非平穩的
#這裡不講平穩序列，因為這會在後面被不平穩序列分析覆蓋到
#隨機性分析，先做差分使其平穩
kingstsdiff1 = diff(kingsts,differences=1)
plot.ts(kingstsdiff1) #觀察影象
#進一步通過單位根檢驗是否平穩，這裡影象觀察已經平穩了
#平穩後就是確定arima模型的階數了
#可以觀察自相關圖、偏自相關圖來確定，acf(),pacf()操作即可
#也可以用forecast包的auto.arima()自動識別最優的姐階數，識別標準的引數ic=c("aicc", "aic", "bic")
library(forecast)
auto.arima(kingsts)#這裡可以分別試下aic和bic準則下給出來的模型階數是否一樣，不一樣的話可以再分析選擇
#知道模型的階數之後,擬合模型，得出模型引數,引數估計方法method = c("css-ml", "ml", "css")
fit = arima(kingsts,order=c(0,1,1))
#擬合模型後，並不能馬上用於**，還要觀察模型的性質怎樣，引數顯著性，殘差序列是否純隨機、是否同方差
#首先檢驗模型的引數是否顯著，通過t檢驗就可
#再檢驗殘差的純隨機性，如果殘差序列是隨即的話，表明有用資訊被提取的很乾淨，
#否則表明相關資訊還沒提取乾淨，需要重新選擇模型（不建議），一般是對殘差序列做自回歸（殘差自回歸模型）
tsdiag(fit) #影象觀察法
box.test(fit$residuals,type="ljung-box",lag=6, fitdf=1) #更嚴密的檢驗方法
#檢驗1到12階的函式
lag = c()
q.value = c()
p.value = c()
for(i in 1:12)
data.frame(lag=lag,q.value=q.value,p.value=p.value)
#還有乙個是dw檢驗（不好用，有誤差），所以由dw檢驗衍生durbin h和duebin t統計量，這也是常用的自變數相關檢驗方法，不過在r中不知道怎麼做
#上述結果表明殘差序列時隨機的。如果是非隨機的，就要做殘差自回歸了
#檢驗是否異方差
#殘差平方圖，觀察法
plot(fit$residuals*fit$residuals)
#更嚴謹的檢驗方法有g-q檢驗(各種不好，勿用)，還有white檢驗（回歸模型中可以用，時間序列不太適合），
#arch檢驗，包括portmanteau q檢驗、lm檢驗，其實arch檢驗跟white檢驗並沒有本質上的區別，只不過更適合於時間序列資料
library("fints") #arch檢驗的包,archtest(),不過只能arch_lm檢驗（檢驗殘差平方序列是否隨機的）
autocortest(fit$residuals) #該包用autocortest()還可以檢驗殘差序列的序列相關性(等同於box.test()檢驗隨機性的作用)
archtest(fit$residuals,lags=12)
#寫成乙個函式檢驗1到12階的
lag = c()
lm.value = c()
p.value = c()
for(i in 1:12)
data.frame(lag=lag,lm.value=lm.value,p.value=p.value)
#觀察上述的結果，在0.02水平下，殘差平方序列是純隨機的，在0.05下，是非隨機的
#當殘差平方序列是非隨機的，然後擬合garch（arch是garch當p=0時的特例）
library("fgarch")
#如果是沒什麼毛病的模型的**，forecast包的forecast()函式
x = forecast(fit,h=5,level=99.5)
plot.forecast(x)
#還可以畫出置信區間
R語言 時間序列分析
時間序列分析 1.對時間序列的描述 2.利用前面的結果進行 ts是時間序列的英文簡稱 可以使用sys.date 函式檢視當前系統的時間 用seq函式創造連續的時間點 ts函式生成時間序列，可以很方便的將向量轉化成時間序列 egsales round runif 50,min 50,max 100 s...
R語言 時間序列arima模型
t c a1 yt 1 a2y t 2 apyt p t b1 t 1 b2 t 2 bq t qyt c a1yt 1 a2yt 2 apyt p t b1 t 1 b2 t 2 bq t qtyt t t l yt c l t l yt c l t l 1 a1l a2l2 apl p l 1 ...
R語言 ARIMA時間序列模型
本實驗使用r的fecofin包中的cpi.dat資料集。cpi是乙個經季節調整的美國消費 指數，此資料是月度的。資料載入方法 首先安裝該資料所在包 install.packages fecofin repos 載入資料 originaldata cpi.dat 應用arima p，i，q 對1977...