R语言时间序列学习+代码记录2：Modeling cycles - AR( ), MA( ), and ARMA( )

已于 2024-11-06 19:05:12 修改
阅读量1.1k 收藏 25
点赞数 7
CC 4.0 BY-SA版权
分类专栏： R语言时间序列学习+代码记录 文章标签： r语言 时序数据库 ar 学习
于 2024-09-29 16:36:42 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/lxyhehehehe/article/details/142634880

数据来源主要为FRED（课程要求使用），代码部分来自于老师，参考用书：

1.Diebold FX Forecasting in Economics, Business, Finance and Beyond. University of Pennsylvania, 2017.
        - available on-line http:/​​/​​www.ssc.upenn.edu/​​~fdiebold/​​Teaching221/​​Forecasting.pdf
2.Diebold FX Elements of Forecasting, 4th edition (Cengage Publishing, 2007).
        - hard copy can be purchased used from on-line book stores
        - available on-line http:/​​/​​www.ssc.upenn.edu/​​~fdiebold/​​Teaching221/​​BookPhotocopy.pdf
        - author's version http://www.ssc.upenn .edu/​​~fdiebold/​​Teaching221/​​FullBook.pdf

一、数据示例：

a quarterly seasonally adjusted index of Canadian employment, 1962.1 - 1993.4
num [1:136]
83.09025 
82.79963 
84.63444 
85.37746 
86.19760 
86.57884 
88.04972
87.92493 
88.46513 
88.39846
... ...

二、 前期准备

1.清理工作空间，设置工作目录并加载数据

rm(list=ls())
setwd("C:/Users/Lixue/Downloads") 
data <- scan("fcst7input.dat")

2. 数据准备与基础参数设置

T <- length(data)  # 数据的长度，即时间序列的总期数
s <- 4            # 数据的频率，季度数据
years <- T/s       # 数据代表的年数
styear <- 1962     # 设置数据的起始年份（Q1 1962）
h <- 12            # 预测长度
fstart <- c(1994,1)  # 预测开始的时间点（Q1 1994）
years <- T/s       #计算数据覆盖年数（每年均有Q1~Q4）

 3. 将数据转换为时间序列并绘制图形

data <- ts(data, frequency=s, start=datastart) 
#将读取的数据转换为时间序列格式，起始时间为第1962年的Q1，频率为4（季度数据）
plot(data)

由图像：序列没有显示趋势和季节性 （数据已经过季节性调整），然而，数据中的就业情况具有强烈的周期性特征。就业情况似乎与时间序列高度相关——在经济繁荣时期就业率较高，而在经济衰退时就业率较低。

 4. ACF, PACF函数探索自相关性

y <- data
acf(y)
pacf(y)
  • acf(y)：绘制自相关函数 (ACF)，显示数据的滞后自相关情况。
  • pacf(y)：绘制偏自相关函数 (PACF)，用于观察各滞后阶的自相关性。

ACF 和 PACF 是用于帮助确定 ARMA 模型阶数的关键工具。MA 模型的阶数通常可以从 ACF 图中看到，ACF 会在某个滞后期截断（即滞后q），而 AR 模型的阶数则可以从 PACF 中截断的滞后期确定。

ACF:

PACF：

三、拟合移动平均模型 (MA(q))

1.自相关函数 (ACF)：

  • 滞后 (Lag)：某个时刻的数据与之前某个时间点的数据之间的差距。例如，滞后1表示当前时间点的数据与前一个时间点的数据之间的关系。
  • 自相关系数 (Autocorrelation Coefficient)：测量当前时间点的数据与滞后期数据之间的线性相关性，范围通常在 [-1, 1] 之间。
  • 显著性界限 (Significance Boundaries)：在 ACF 图中，通常会绘制水平线，表示零相关性 ± 2 个标准误的范围。如果自相关系数超出了这个范围，说明滞后期的自相关性显著。

在移动平均模型 (MA) 中，自相关函数 (ACF) 的重要作用在于识别模型的阶数。对于一个 MA(q) 模型，ACF 会在滞后期 q 之后 截断 (cut-off)，即在 q 之后的滞后期自相关系数迅速衰减至零。因此，通过观察 ACF 中截断的位置，可以帮助确定 MA 模型的阶数 q（MA（q））。

2. MA模型

R语言中，可以使用arima函数拟合MA(q)模型，参数order应设置为c(0,0,q)。由图像，数据中存在显著的自相关性，ACF显示有11个显著的峰值，因此使用q=11的MA模型

  • arima() 函数：拟合 ARIMA 模型。其中，order=c(0,0,11) 表示拟合一个 MA(11) 模型：
    • 第一个参数 0 代表 AR(自回归) 部分的阶数为0。
    • 第二个参数 0 代表差分次数，即假设数据是平稳的（不需要差分）。
    • 第三个参数 11 代表 MA(移动平均) 部分的阶数为11。
model.ma <- arima(y,order=c(0,0,11))
model.ma


Call:
arima(x = y, order = c(0, 0, 11))

Coefficients:
         ma1     ma2     ma3     ma4     ma5     ma6     ma7     ma8
      1.4758  1.7407  1.8294  1.8091  1.6638  1.4703  1.1177  0.8466
s.e.  0.0848  0.1570  0.2286  0.2798  0.2965  0.2762  0.2319  0.1972
         ma9    ma10    ma11  intercept
      0.7216  0.5742  0.2750    99.5410
s.e.  0.1867  0.1604  0.0882     1.7405

sigma^2 estimated as 2.08:  log likelihood = -245.15,  aic = 516.29

 由于模型阶数较高，在训练时丢失了前 11 个数据点，这是高阶模型的一个缺点。出于模型复杂性和数据可用性的考虑，与参考书 (Diebold 的《Elements of Forecasting》) 保持一致，尝试一个较低阶的模型 MA(4)。

  • MA(4)在拟合过程中只使用前 4 个滞后期来解释时间序列中的依赖关系，从而保留了更多的原始数据点，避免了 MA(11) 模型中可能出现的过度拟合问题。
model.ma <- arima(y, order=c(0,0,4))
model.ma


Call:
arima(x = y, order = c(0, 0, 4))

Coefficients:
         ma1     ma2     ma3     ma4  intercept
      1.6724  1.7995  1.3046  0.5492    99.9243
s.e.  0.0712  0.1150  0.1145  0.0649     1.0278

sigma^2 estimated as 3.685:  log likelihood = -283.63,  aic = 579.26

3. 检查残差

  • plot(model.ma$residuals) ：绘制MA(q) 模型的残差图。显示模型所不能解释的部分信息，应该接近白噪声（即无序且无自相关性）。
  • acf(model.ma$residuals) ：计算并绘制残差的自相关函数图。

如果 MA(q) 模型能够有效地捕捉数据的动态特征，残差应该呈现出白噪声特征：残差的 ACF 图应该显示出所有滞后期的自相关系数都接近于零，且在显著性界限之内。

plot(model.ma$residuals)
acf(model.ma$residuals)

MA（11） ：

MA（4）： 

由图：MA(4) 模型的残差 ACF 图仍然存在显著的自相关性，表明模型未能完全捕捉到时间序列数据中的自相关特征，即模型未能充分拟合数据，遗漏了一些周期性或趋势性。可能需要更高阶的模型或者考虑使用其他模型类型（例如 AR 模型）。

四、拟合自回归模型 (AR（p）)

1. 偏自相关函数 (PACF)：

  • 直接相关性 (Direct Correlation)：排除了中间滞后期的影响后，滞后期 k 与当前时间点之间的直接相关性。
  • 截断性 (Cut-off)：与 ACF 不同，PACF 在 AR(p) 中，在滞后期 p 之后截断（即在 p 之后的滞后期偏自相关系数迅速衰减至零）。

PACF 衡量的是在控制了所有中间滞后期的影响后，不同滞后期之间的直接相关性。具体来说，PACF 是当前时间点与滞后期 k 之间的相关性，排除了所有比 k 小的滞后期对两者相关性的影响。

2. 自回归（AR）模型

描述一个变量当前值与其过去值之间的线性关系。当前时间点的值由之前的自身数据（滞后数据）线性回归而得出。 AR(p) 模型中 p 代表模型中所使用的滞后期数。

PACF 图中，滞后期 2 后出现截断，尝试拟合 AR(2) 模型，即假设当前时间点的数据与前两个滞后期有较强的相关性。

  •  arima() 函数：拟合 AR 模型。order=c(2,0,0) 表示拟合一个 AR(2) 模型：
    • 第一个参数 2 代表自回归部分的阶数 p=2。
    • 第二个参数 0 代表差分次数，即假设数据是平稳的（不需要差分）。
    • 第三个参数 0 代表移动平均部分的阶数为 0，即不包含 MA 组件。
model.ar <- arima(y, order=c(2,0,0))
model.ar


Call:
arima(x = y, order = c(2, 0, 0))

Coefficients:
         ar1      ar2  intercept
      1.4505  -0.4763    97.4982
s.e.  0.0749   0.0762     4.3936

sigma^2 estimated as 2.022:  log likelihood = -242.79,  aic = 493.57

3. 检查残差

  • plot(model.ar$residuals) ：绘制 AR(2) 模型的残差图，检查模型是否很好地拟合了数据。如果残差看起来像白噪声（即没有明显的模式或结构），则表明模型适用。
  • acf(model.ar$residuals) ：计算并绘制残差的自相关函数图，进一步验证残差的随机性。

如果模型适当地拟合了数据，则残差的 ACF 应该在所有滞后期上都接近零，表明残差没有自相关性。

由图：结果良好，残差表现为白噪声，这意味着 AR(2) 模型能够很好地解释数据中的自相关特性。

五、自回归移动平均模型（ARMA(p, q) ）

1.赤池信息准则 (AIC)

AIC 是用于选择模型的一个标准，计算公式为：AIC=2k−2ln(L)

  • 模型的似然函数 L：表示模型的拟合好坏。
  • 模型中的参数数量 k
  • AIC 值越小，表示模型的拟合效果越好，同时考虑了模型的复杂度。

（1）使用 auto.arima() 函数自动选择最佳模型

函数根据给定的数据自动搜索最佳的 ARIMA 或 ARMA 模型。因为指定了 d=0 和 seasonal = FALSE，它会在 ARMA 模型中搜索最佳的 ARMA(p, q) 组合。

参数设置：

  • d=0：指定差分次数为 0，假设数据已经是平稳的（不需要差分）。
  • seasonal = FALSE：表示不考虑季节性成分。
  • ic = "aic"：指定使用赤池信息准则 (AIC) 作为模型选择的标准。AIC 值越小，模型越好。
  • stepwise = FALSE：关闭逐步选择（即试探更多的模型组合）。
  • approximation = FALSE：不使用近似估计，确保估计精确。
  • trace = TRUE：输出所有尝试的模型和对应的 AIC 值，方便选择最优模型。
require(forecast)
model.arma <- auto.arima(y, d=0, seasonal = FALSE, ic = "aic", 
                         stepwise = FALSE, approximation = FALSE, 
                         trace = TRUE)

 ARIMA(0,0,0)           with zero mean     : 1642.012
 ARIMA(0,0,0)           with non-zero mean : 954.4594
 ARIMA(0,0,1)           with zero mean     : Inf
 ARIMA(0,0,1)           with non-zero mean : 795.8631
 ARIMA(0,0,2)           with zero mean     : Inf
 ARIMA(0,0,2)           with non-zero mean : 686.9732
 ARIMA(0,0,3)           with zero mean     : 1153.926
 ARIMA(0,0,3)           with non-zero mean : 624.4021
 ARIMA(0,0,4)           with zero mean     : Inf
 ARIMA(0,0,4)           with non-zero mean : 579.2624
 ARIMA(0,0,5)           with zero mean     : Inf
 ARIMA(0,0,5)           with non-zero mean : 562.6548
 ARIMA(1,0,0) with zero mean     : Inf
 ARIMA(1,0,0)           with non-zero mean : 525.9286
 ARIMA(1,0,1) with zero mean     : Inf
 ARIMA(1,0,1)           with non-zero mean : 502.0656
 ARIMA(1,0,2) with zero mean     : Inf
 ARIMA(1,0,2)           with non-zero mean : 497.5256
 ARIMA(1,0,3) with zero mean     : Inf
 ARIMA(1,0,3)           with non-zero mean : 498.4639
 ARIMA(1,0,4) with zero mean     : Inf
 ARIMA(1,0,4)           with non-zero mean : 499.1958
 ARIMA(2,0,0) with zero mean     : Inf
 ARIMA(2,0,0)           with non-zero mean : 493.5718
 ARIMA(2,0,1) with zero mean     : Inf
 ARIMA(2,0,1)           with non-zero mean : 494.8726
 ARIMA(2,0,2) with zero mean     : Inf
 ARIMA(2,0,2)           with non-zero mean : 496.6441
 ARIMA(2,0,3) with zero mean     : Inf
 ARIMA(2,0,3)           with non-zero mean : 497.8419
 ARIMA(3,0,0) with zero mean     : Inf
 ARIMA(3,0,0)           with non-zero mean : 494.9481
 ARIMA(3,0,1) with zero mean     : Inf
 ARIMA(3,0,1)           with non-zero mean : Inf
 ARIMA(3,0,2) with zero mean     : Inf
 ARIMA(3,0,2)           with non-zero mean : 498.7393
 ARIMA(4,0,0) with zero mean     : Inf
 ARIMA(4,0,0)           with non-zero mean : 496.8779
 ARIMA(4,0,1) with zero mean     : Inf
 ARIMA(4,0,1)           with non-zero mean : 498.8077
 ARIMA(5,0,0)           with zero mean     : Inf
 ARIMA(5,0,0)           with non-zero mean : 498.4932

 Best model: ARIMA(2,0,0)           with non-zero mean

输出结果表明：

  • 最佳选择：ARMA(2,0) 模型（即 AR(2) 模型）是 AIC 最小的模型。
  • 次优模型：ARMA(2,1) 模型，尽管稍微复杂一些（包含一个 MA 部分），但其拟合效果并没有显著优于 AR(2) 模型。

2. ARMA 模型

ARMA 模型是将自回归 (AR) 模型和移动平均 (MA) 模型结合起来的一种时间序列模型，能够更灵活地捕捉数据中的动态特征。ARMA(p, q) 模型包含两个部分：

  • AR(p)：代表自回归部分，用过去的 p 个时间点的值来解释当前值。
  • MA(q)：代表移动平均部分，用当前及过去 q 个误差项来解释当前值。

（1）手动拟合 ARMA(2,1) 模型

使用 arima() 函数手动拟合 ARMA(2,1) 模型，其中 order=c(2,0,1) 表示：

  • 2 是 AR 部分的阶数，表示使用前两个滞后值。
  • 0 是差分次数，表示数据不做差分。
  • 1 是 MA 部分的阶数，表示使用一个滞后误差项。
model.arma <- arima(y, order=c(2,0,1))
model.arma

Call:
arima(x = y, order = c(2, 0, 1))

Coefficients:
         ar1      ar2      ma1  intercept
      1.5745  -0.5987  -0.1612    97.9320
s.e.  0.1534   0.1522   0.1922     4.0145

sigma^2 estimated as 2.011:  log likelihood = -242.44,  aic = 494.87

结果表明：尽管 ARMA(2,1) 模型拟合效果不错，但与 AR(2) 模型相比并没有显著改进，因此 AR(2) 模型是更优选择。 

 3. 检查残差是否为白噪声

绘制残差的 自相关函数 (ACF) 和 偏自相关函数 (PACF) 图。理想情况下，残差应该呈现出白噪声特性，即没有显著的自相关性

总结：ACF 与 PACF

1.选择合适的模型阶数

根据模型类型不同，ACF 和 PACF 的图形特征各有不同：

  • AR(p) 模型：

    • PACF 在滞后期 p 后截断。
    • ACF 逐渐衰减，可能以指数形式减小。

  • MA(q) 模型：

    • ACF 在滞后期 q 后截断。
    • PACF 逐渐衰减。

  • ARMA(p,q) 模型：

    • ACF 和 PACF 都逐渐衰减，没有明显的截断点。

通过比较 ACF 和 PACF 的图形特征，可以选择合适的模型：

  • 如果 ACF 截断而 PACF 衰减，则适合 MA 模型。
  • 如果 PACF 截断而 ACF 衰减，则适合 AR 模型。
  • 如果 ACF 和 PACF 都逐渐衰减，则可以考虑 ARMA 模型。

2.残差图像：

（1）残差 ACF 图：

衡量不同滞后期的残差自相关性。理想情况下，若残差是白噪声，则所有滞后期的自相关系数应在蓝色虚线（显著性边界）内。

在滞后 k 处，若自相关系数显著高于显著性边界，则表明在该滞后期存在显著自相关性，说明模型的残差仍存在一些结构性关系，可能需要进一步改进，尤其是考虑自回归部分的修正。

（2）残差 PACF 图：

用于测量当前残差与不同滞后期残差之间的直接自相关性（即在控制其他滞后影响后的自相关性）。

若在滞后 k 处，偏自相关系数接近显著性界限，若自相关系数显著高于显著性边界，则表明可能还有某些小范围的自相关结构没有被模型捕捉。

ts9_annot_arrow_hvplot PyViz interacti_bokeh_STL_seasonal_decomp_HodrickP_KPSS_F-stati_Box-Cox_Ljung
Linli522362242的专栏
11-18 6450
ts9_annot_arrow_interactive bokeh_STL(add:cycle +trend+residual normality)_seasonal_decomp(add&multiplicative)_Hodrick-Prescott(add:cycle trend)_KPSS_F-statistic_Box-Cox_Ljung-Box(autocorrelation:group of lags)_homo同方_heter异方差_Q-Q probabilityPlot freq=None
时间序列与R语言应用(part5)--移动平均MA模型及其可逆性
小山羊的学习日志
04-12 8288
参考书目：《计量经济学》、《计量经济学模型与R语言应用》
r语言拟合MA模型，及时序图，自相关图，偏自相关图
YTHAAA的博客
11-11 4020
e<-rnorm(100) x1<-filter(e,filter = c(1,-0.5),method = "convolution",circular = T) plot(x1) acf(x1) pacf(x1)
使用R语言构建时间序列AR(p)和MA(q)模型 - 金融计量经济学小组作业编程记录
qq_43689281的博客
11-15 9017
使用R语言对时间序列构建AR§和MA(q)模型 - 以CPI数据为例 在King’s College London学习FA，一门课的project，这里只附上代码和结果，报告就没有了。使用的数据是美国、日本、希腊的CPI月度数据，从2010年1月到2021年8月，放在一个CSV文件里。（本文以美国为例，实际上做了三个国家，但是过程都差不多，所以就只写一个了。） 首先是读入文件 # Remove all items from memory (if any) rm(list=ls(all=TRUE)) # S
13、时间序列
军军的专栏
02-12 4388
1、时间序列的分类 时间序列分为：非季节性数据和季节性数据 一个非季节性时间序列包含一个趋势部分和一个不规则部分。 一个季节性时间序列包含一个趋势部分，一个季节性部分和一个不规则部分。 在实践操作中，时间序列数据存在着前后关系。例如，今天股票的价格很有可能决定明天股票的价格。明天的温度取决于今天的气温。做天气预报的具体操作方法，是使用已经存在的天气历史记录，比如说今天的气温，昨天的气温，前
ARMA、ARIMA和SARIMA
weixin_36909758的博客
07-11 1万+
ARIMA 1 背景知识 1.1 自回归模型（AR） 描述当前值与历史值之间的关系，用变量自身的历史时间数据对自身进行预测，自回归模型必须满足平稳性。 自回归（AR），就是指当前值只与历史值有关，用自己预测自己 p阶自回归，指当前值与前p个值有关 求常数u与自回归系数ri 自回归模型的限制 （1）自回归模型是用自身的数据来进行预测，即建模使用的数据与预测使用的数据是同一组数据； （2）必须具有平稳性； （3）必须具有自相关性，如果自相关系数(φi)小于0.5，则不宜采用； （4）自回归只适用于预测与自身
时间序列分析之AR模型、MA模型和ARMA模型（二）
雨后的夜
05-29 8万+
此学习笔记来自于王燕老师编著的《时间序列分析-基于R》         对一个时间序列预处理后检验出该序列为平稳时间序列说明该模型有提取信息的价值，就要进行下一步的模型建立来拟合该模型然后做出预测。下面介绍拟合时间序列的三个重要模型。一、AR模型        AR（p）模型得简记形式如下，其中p为自回归阶数。              称为中心化AR(p)模型。    对于模型的拟合介绍两种最常...
R语言时序-AR、MA与ARMA的判断及定阶
weixin_39982225的博客
10-07 2万+
一、模型判断与定阶 模型判断： Step1 看ACF图： ACF截尾：判断为MA(q)模型，q为最后一个超出2倍标准差（蓝线）的阶数 ACF拖尾：可能为AR(p)模型也可能为ARMA(p,q)模型 Step2 看PACF图： PACF截尾：AR(p)模型，p为最后一个超出2倍标准差（蓝线）的阶数 PACF拖尾：ARMA(p,q)模型，ACF和PACF看不出阶数，通过eacf定阶 注1：ACF图第一根竖线的阶数为零，MA(1)有两根竖线超出蓝线，但第二根的阶数是1不
arma模型_Eviews经典案例 | 初学者必看！ARMA模型精讲
weixin_39633090的博客
11-21 2万+
【本期分析师介绍】希音老师，《数据分析学堂》金牌分析师，对eviews的时间序列、ARMA、VAR、VECM、ARCH、GARCH等操作有深入的研究和实战经验，累计服务客户1000+。今天邀请希音老师给大家分享eviews的详细操作步骤。长文预警!可在文末联系麻瓜学姐要PDF文档，更方便阅读，10G独家干货等你来拿！AR-MA模型是一类常用的是随机时序模型。由Box和Jenkins创立，...
时间序列分析这件小事（五）--MA模型
lyx的专栏
12-04 1万+
无意中发现了一个巨牛的人工智能教程，忍不住分享一下给大家。教程不仅是零基础，通俗易懂，而且非常风趣幽默，像看小说一样！觉得太牛了，所以分享给大家。教程链接：https://www.cbedai.net/qtlyx 1.MA 之前讲了AR模型，与之对应的是MA模型，也就是移动平均模型。与AR模型类似，只不过，之前是由不同阶滞后的序列拟合出yt，而现在是不同阶滞后的白噪音拟合。说白了，就是...
关于ARMA模型的R语言实现
heirenmin的博客
06-22 3万+
新手一枚，和大家一起学习R，以后基本每周都会更新1到2篇关于数据预测处理的模型和方法，希望和大家一起学习，一起成长。 本周首先更新的是用R来实现ARMA模型。 时间序列的模型，基本上都要建立在平稳的序列上，这里我们将来了解下ARIMA模型，以及其实现的R代码。 　　ARMA（p,q)模型，全称移动平均自回归模型，它是由自回归（AR）部分和移动平均（MA）部分组成的，所以称之为ARMA模型。进行AR...
ARMA模型的性质之ARMA模型
PY洋洋
03-17 2万+
一、ARMA模型的定义 二、平稳条件与可逆条件 三、传递形式与逆转形式 四、ARMA(p,q)模型的统计性质 1.均值 2.自协方差函数 3.自相关系数 4.ARMA(p,q)模型自相关系数拖尾，偏自相关系数拖尾 小结
时间序列模型 （二）：移动平均法
热门推荐
冷月无声的博客
04-21 11万+
时间序列的其它博文系列： 时间序列模型 （一）：模型概述 时间序列模型 （二）：移动平均法 时间序列模型 （三）：指数平滑法 时间序列模型 （四）：差分指数平滑法、 自适应滤波法v 时间序列模型 （五）： 趋势外推预测方法 时间序列模型 （六）：平稳时间序列模型 ：自回归AR 、移动平均 MA 、ARMA 模型 时间序列模型 （七）： 时间序列建模的基本步骤 目录 移动平均法 ...
一、时间序列（2_1）AR、MA、ARMA
chen_dal的博客
04-20 5469
参考书：Analysis of Financial Time Series 2nd Edition 研究模型的基本思路： 1.给出时间序列模型 2.计算均值函数，协方差函数、自相关函数 3.平稳性的条件 4.基于观测数据模型中的参数 5.模型诊断 6.模型评价 一般线性模型 滑动平均过程 q阶滑动平均过程 MA(1)、MA(2) MA(q) 自回归过程 p阶自回归过程 AR(1)、A...
r语言生成ar、ma、arma序列
weixin_45178611的博客
10-13 1万+
用r语言模拟ar序列，ma序列，arma序列 生成一个ar序列 xt=0.8xt−1+εtx_t=0.8x_{t-1}+ε_txt​=0.8xt−1​+εt​ x1<-arima.sim(n=1000,list(ar=0.8)) 或者用filter函数 e<-rnorm(1000,0,1) x2<-filter(e,filter = 0.8,method = "recursive") method：指定拟合的是AR模型还是MA模型。 method="recursive"为AR模型；
r语言确定最优滞后阶数_R语言与计量经济学（六）时间序列移动平均MA模型
weixin_39517520的博客
12-19 3648
如图，如果一个线性随机过程可以用白噪声的加权来表示，则称为q阶移动平均过程。因为是白噪声的加权之和，所以任何的移动平均模型都是平稳的，也有说是弱平稳的。移动平均模型转化为自回归模型的前提是单位根检验中，所有根都要大于1。（这里先不涉及到单位根检验）我们先确定阶数，现自己设定一个滞后两阶的MA模型set.seed(2)#设定种子 x<-rnorm(50,0,1) plot(x,type = '...
ARMA(2，2)模型的RLS-RELS参数估计
ZC_lianshuang的博客
05-31 3176
%*****ARMA(2，2)模型的RLS-RELS参数估计******* clear; clc; close all; N=2000; n=2; lamda=1; rand('seed',10); e=0.6*randn(1,N+1);%a(t) a=-[-1.7000 0.7200];%poly([0.8 0.9]) d=[-0.3 0.02]; y(1)=e(1); y(2)=a(1...
移动平均法，滑动平均模型法（Moving average，MA）
weixin_41512727的博客
10-16 1万+
什么是移动平均法 移动平均法是用一组最近的实际数据值来预测未来一期或几期内产品的需求量的一种常用方法。移动平均法适用于即期预测。当产品需求既不快速增长也不快速下降，且不存在季节性因素时，移动平均法能有效地消除预测中的随机波动，是非常有用的。移动平均法根据预测时使用的各元素的权重不同，可以变为加权移动平均。 　　移动平均法是一种简单平滑预测技术，它的基本思想是：根据时间序列资料、逐项推移，依次计...
金融时间序列分析：6. AR模型实例（R语言）
矩阵实验室
12-29 3万+
0. 前言前一篇写了如何用Python构建AR模型，但是由于不太熟悉，很多问题都没有说清楚，本文用R语言详细的讲一讲，算是为前面两篇文章补漏吧。 主要内容： 获取数据 数据预处理 定阶 AR模型预测 模型检测
R语言AR函数结果解读
06-10
在R语言中，可以使用`ar()`函数来拟合AR模型。该函数会返回一个对象，其中包含了拟合的AR模型的参数估计、残差、拟合值等信息。 下面是一个示例代码及其结果解读： ```R # 生成一组AR(2)时间序列数据 set.seed(123) data <- arima.sim(list(order=c(2,0,0), ar=c(0.7, -0.2)), n=100) # 拟合AR模型 fit <- ar(data, order.max=4, method="ols") # 查看模型参数估计结果 fit$ar ``` 这段代码首先生成一个AR(2)时间序列数据，并使用`ar()`函数拟合了一个AR模型。其中，`order.max`参数指定了拟合的AR模型的最大阶数，`method`参数指定了拟合AR模型的方法。在这个例子中，我们使用OLS方法来拟合AR模型。 拟合结果中，`fit$ar`返回了一个长度为2的向量，分别表示了AR(1)和AR(2)的系数估计。在这个例子中，AR(1)的系数估计为0.668，AR(2)的系数估计为-0.189。 需要注意的是，AR模型的系数估计结果的解读需要结合时间序列数据的实际情况。在这个例子中，数据是由AR(2)模型生成的，因此我们可以看到AR(1)和AR(2)的系数估计值比真实值0.7和-0.2略小，但仍然比较接近真实值。如果数据不是由AR模型生成的，那么AR模型的系数估计结果就需要更谨慎地解读。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值