R语⾔-时间序列-arima模型-forecast、tries包
最近初步接触了下如何⽤R语⾔进⾏时间序列分析，⾃⼰动⼿写了段⼩代码。
⾸先呢是⽣成随机观测值，接着画出时间序列图，然后进⾏单根检验和⽤ ACF 和 PACF 指令分别画出⾃相关数和偏⾃相关系数图。随机观测值⽣成我⽤了两种，⼀种是迭代随机⽣成，⼀种是⽤arima.sim函数⽣成⼀列符合arima(p,q)模型的数据。
install.packages("tries") #安装"tries"包，仅需在⾸次运⾏时安装
install.packages("forecast") #安装"forecast"包，仅需在⾸次运⾏时安装
mainlibrary('forecast') #调出"tries"包
library('tries') #调出"forecast"包
funy <- function(t)
{
scientist是什么意思return(ifel(t>0, 0.75+0.85*funy(t-1), t))
} #构造⼀个递归函数
t.ed(1) #设定编号为1的随机数种⼦，⽬的是下次重复时⽣成同样的随机数help
u<-rnorm(500, mean=0, sd=1) #随机⽣成500个服从正态分布的独⽴同分布的⽩噪声（均值为0，标准差为1）y<-vector()
counter是什么意思
y<-vector()
for(t in 1:500)
{
y[t]=funy(t)+u[t]
adequate是什么意思
蒙昧} #循环调⽤递归函数和⽩噪声⽣成函数，以⽣成500个观测值
四级英语多少分过
休斯顿大学mean(y) #计算均值E(yt)
var(y) #计算⽅差Var(yt)
英语音标
nitromethaneplot.ts(y, col="blue", main="y变量的时间序列图", xlab="t", ylab="y")
Acf(y, main='y-AC') #作⾃相关图
Pacf(y, main='y-PAC') #作偏⾃相关图
install.packages("tries") #安装"tries"包，仅需在⾸次运⾏时安装
install.packages("forecast") #安装"forecast"包，仅需在⾸次运⾏时安装
library('forecast') #调出"forecast"包
library('tries') #调出"tries"包
t.ed(1) #设定编号为1的随机数种⼦，⽬的是下次重复时⽣成同样的随机数
y <- 0.75+arima.sim(list(ar=0.85), sd = sqrt(1), n = 500) #创建⼀组500笔的观测值
print(y)
mean(y) #计算均值E(yt)
2015年12月六级
var(y) #计算⽅差Var(yt)
plot.ts(y, col="blue", main="y变量的时间序列图", xlab="t", ylab="y")
Acf(y, main='y-AC') #作⾃相关图
Pacf(y, main='y-PAC') #作偏⾃相关图
y.arima <- Arima(y, order=c(1,0,0)) #⽤Arima指令进⾏时间序列回归，arima中的order参数是order(p,d,q），由(e)结果看出p=1 summary(y.arima)
