r语言：时间序列ARMA 基础学习 26 二月, 2013, oldlee11, R 语言与数据挖掘, 时间序列分析, 01 02 03 04 05 06 07 08 09 10 11 12 13 14 15 16 17 18 19 20 21 ######################################### 术语 ################################# #白噪音：其均值=0，并且独立分布的（同时间无关） #稳定时间序列：任意j--i 时间段的序列：其均值相等 #自相关系数acf 图：研究y[t]同y[t-l]序列之间的相关性 # 在纯的ma(q)序列下，acf 图形表现为q+1 以后的自相关系数约为0（虚线内） #偏相关系数pacf 图：在y[t]同y[t-l]之间的序列固定的情况下，研究研究y[t]同y[t-l]序列之间的相关性 # 在纯的ar(p)序列下，pacf 图形表现为p+1 以后的偏相关系数约为0（虚线内） #扩展相关系数图eacf：如果y[t]不是纯的ar 或ma，而是arma（混合体），无法通过acf 确定q，也不能通过pacf 确认p，需要通过eacf 确认p 和q ################################################################################ ############################################### #### 模拟产生ma ar arma 序列 #### ############################################### ##### MA 时间序列的模拟试验：产生一个 ma 时间序列 y.ma<-function(a1,a2,a3=0,a4=0,num=200,pic=TRUE){#MA 滑动平均时间序列的模拟（也可以使用 filter 函数） e<-rnorm(num,0,1)#模拟白噪声,均值=0 result<-0 result[1]<-e[1] result[2]<-e[2]-a1*e[1] 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 result[3]<-e[3]-a1*e[2]-a2*e[1] result[4]<-e[4]-a1*e[3]-a2*e[2]-a3*e[1] for(t in 5:num){ result[t]<-e[t]-a1*e[t-1]-a2*e[t-2]-a3*e[t-3]-a4*e[t-4] }#构造一个 ma 型时间序列 if(pic==TRUE){#画图形 dev.new() ts.plot(result,main=paste("y.ma[t]=e[t]-",a1,"*e[t-1]-",a2,"*e[t-2]-",a3,"*e[t-3]-",a4,"*e[t-4]的时间序列散点图")) dev.new() lag.plot(result, 9, do.lines=FALSE) dev.new() par(mfrow=c(2,1)) acf(result, 30,main=paste("y.ma 自相关图,y.ma[t]=e[t]-",a1,"*e[t-1]-",a2,"*e[t-2]-",a3,"*e[t-3]-",a4,"*e[t-4]")) pacf(result, 30,main=paste("y.ma 偏自相关图,y.ma[t]=e[t]-",a1,"*e[t-1]-",a2,"*e[t-2]-",a3,"*e[t-3]-",a4,"*e[t-4]")) } result } y.ma<-y...
