R语言arima,向量自回归(VAR),周期自回归(PAR)模型分析温度时间序列

简介: R语言arima,向量自回归(VAR),周期自回归(PAR)模型分析温度时间序列

至少有两种非平稳时间序列:具有趋势的时间序列和具有单位根的时间序列(称为单整时间序列)。单位根检验不能用来评估时间序列是否平稳。它们只能检测单整时间序列。季节性单位根也是如此。

这里考虑月平均温度数据。

> mon=read.table("temp.txt")
> plot(mon)


现在,我们可以计算所有年份的三个不同平稳性检验的p值

for(y in 1955:2013){
Temp[which(Year==y)]
as.numeric(pp.test(Zc)$p.value)    
as.numeric(kpss.test(Zc)$p.value)    
as.numeric(adf.test(Zc)$p.value)


从图像上看,如果红色表示非平稳,蓝色表示平稳,我们得到

polygon(y,col=CL[1+(D[y-1954,i]==1)*5],border=NA)}}


可以看到大部分序列在5%显著性水平下无法拒绝原检验说明序列非平稳。

冬天和夏天的温度是完全不同的。我们可以来可视化:

> plot(month,(tsm))
> lines(1:12,apply(M,2,mean


或者

plot(tsm)


> 3D(tsm)


看起来我们的时间序列是周期性的,因为每年都是季节性的。自相关函数:

现在的问题是有季节性单位根吗?这说明我们的模型应该是

如果我们忘记了自回归和移动平均分量,我们可以估计

如果有季节性单位根,那么应该接近1。

arima(x = tsm, order = c(0, 0, 0), seasonal = list(order = c(1, 0, 0), period = 12))
Coefficients:
        sar1  intercept
      0.9702     6.4566
s.e.  0.0071     2.1515


和1差不多。实际上,它不能太接近1。如果是的话,我们会收到一条错误信息…

为了说明模型,让我们考虑季度温度,

sp(1:4,N,theta=-50,col="yellow",shade=TRUE,


VAR季度温度模型

VAR模型描述在同一样本期间内的n个变量(内生变量)可以作为它们过去值的线性函数。

一个VAR(p)模型可以写成为:

其中:_c_是_n_ × 1_常数向量,_Ai_是_n × n_矩阵。e_t_是_n × _1_误差向量,满足:

  1. —误差项的均值为0
  2. —误差项的协方差矩阵为Ω(一个_n_ × 'n_正定矩阵)_
  3. (对于所有不为0的_k_都满足)—误差项不存在自相关

其中A是4X4矩阵。这个模型很容易估计

model=VAR(df)


矩阵A在这里

> A=rbind(
+ coefficients(varresult$y1)[1:4],
+ coefficients(varresult$y2)[1:4],
+ coefficients(varresult$y3)[1:4],
+ coefficients(varresult$y4)[1:4])


由于这个多时间序列的平稳性与这个矩阵的特征值密切相关,我们来看一下,

> eigen(A)
[1]  0.35834830 -0.32824657 -0.14042175  0.09105836
> Mod(eigen(A)
[1] 0.35834830 0.32824657 0.14042175 0.09105836


周期自回归(PAR)模型

看起来这里不存在平稳性问题。有限制的模型称为周期自回归模型,被称为 模型

其中

并且

这是一个_VAR(1)_ 模型,因此

可以来估计这个模型

par(wts=tsq,  type="PAR", p=1)
> PAR(model)


特征方程为

所以有一个(季节性的)单位根,如果

但在这里显然不是这样。可以进行 Canova _Hansen_(CH)检验。_Canova_ _Hansen_(CH)检验主要用于检验季节差异并验证零假设,即季节性模式在采样期内是稳定的或随时间而变化。

检验的输出在这里

> CH.test(tsm)


看起来我们拒绝了季节性单位根的假设。我提到以下检验程序

> nsdiffs(tsm, test="ch")
[1] 0


其中输出:“1”表示有一个季节单位根,“0”表示没有季节单位根。读起来很简单,不是吗?如果我们考虑每月数据的周期自回归模型,输出是

> model


所以,不管是什么检验,我们总是拒绝有季节性单位根的假设。这并不意味着我们的序列不能是周期性的!实际上,这个序列几乎是周期性的。但是没有单位根!所以所有这些都是有意义的。

为了确保我们得到的是正确的,考虑两个时间序列。第一个是周期序列(有非常小的噪声),第二个是单整序列。

> p1=Xp2=as.numeric(t(M))
> for(t in 13:length(M)){
+ p2[t]=Xp2[t-12]+rnorm(1,0,2)


查看

3D(tsp1)
3D(tsp2)


如果我们快速地看一下这些序列,我会说第一个没有单位根-即使它不是平稳的,但这是因为这个序列是周期性的-而第二个有单位根。如果我们看一下 Canova _Hansen_(CH)检验,我们会得到

> CH.test(tsp1)


考虑一下

> nsdiffs(tsp1, 12,test="ch")
[1] 0
> nsdiffs(tsp2, 12,test="ch")
[1] 1


这里我们有相同的结论。第一个没有单位根,但是第二个有单位根。用_Osborn-Chui-Smith-Birchenhall_检验

> nsdiffs(tsp1, 12,test="ocsb")
[1] 1
> nsdiffs(tsp2, 12,test="ocsb")
[1] 1


在我们的周期序列中也有一个单位根。

所以在这里,在低频上,我们拒绝在我们的温度序列中有单位根的假设,甚至是季节性的单位根。



相关文章
|
2月前
|
数据采集 机器学习/深度学习 数据可视化
R语言从数据到决策:R语言在商业分析中的实践
【9月更文挑战第1天】R语言在商业分析中的应用广泛而深入,从数据收集、预处理、分析到预测模型构建和决策支持,R语言都提供了强大的工具和功能。通过学习和掌握R语言在商业分析中的实践应用,我们可以更好地利用数据驱动企业决策,提升企业的竞争力和盈利能力。未来,随着大数据和人工智能技术的不断发展,R语言在商业分析领域的应用将更加广泛和深入,为企业带来更多的机遇和挑战。
|
14天前
|
数据挖掘 C语言 C++
R语言是一种强大的统计分析工具,提供了丰富的函数和包用于时间序列分析。
【10月更文挑战第21天】时间序列分析是一种重要的数据分析方法,广泛应用于经济学、金融学、气象学、生态学等领域。R语言是一种强大的统计分析工具,提供了丰富的函数和包用于时间序列分析。本文将介绍使用R语言进行时间序列分析的基本概念、方法和实例,帮助读者掌握R语言在时间序列分析中的应用。
38 3
|
6月前
|
数据可视化 数据挖掘 API
【R语言实战】聚类分析及可视化
【R语言实战】聚类分析及可视化
|
6月前
|
机器学习/深度学习 数据可视化
R语言逻辑回归logistic模型ROC曲线可视化分析2例:麻醉剂用量影响、汽车购买行为2
R语言逻辑回归logistic模型ROC曲线可视化分析2例:麻醉剂用量影响、汽车购买行为
|
2月前
|
数据采集 数据可视化 数据挖掘
R语言在金融数据分析中的深度应用:探索数据背后的市场智慧
【9月更文挑战第1天】R语言在金融数据分析中展现出了强大的功能和广泛的应用前景。通过丰富的数据处理函数、强大的统计分析功能和优秀的可视化效果,R语言能够帮助金融机构深入挖掘数据价值,洞察市场动态。未来,随着金融数据的不断积累和技术的不断进步,R语言在金融数据分析中的应用将更加广泛和深入。
|
3月前
|
机器学习/深度学习 数据采集 数据可视化
R语言在数据科学中的应用实例:探索与预测分析
【8月更文挑战第31天】通过上述实例,我们展示了R语言在数据科学中的强大应用。从数据准备、探索、预处理到建模与预测,R语言提供了完整的解决方案和丰富的工具集。当然,数据科学远不止于此,随着技术的不断发展和业务需求的不断变化,我们需要不断学习和探索新的方法和工具,以更好地应对挑战,挖掘数据的潜在价值。 未来,随着大数据和人工智能技术的普及,R语言在数据科学领域的应用将更加广泛和深入。我们期待看到更多创新的应用实例,为各行各业的发展注入新的动力。
|
3月前
|
数据采集 存储 数据可视化
R语言时间序列分析:处理与建模时间序列数据的深度探索
【8月更文挑战第31天】R语言作为一款功能强大的数据分析工具,为处理时间序列数据提供了丰富的函数和包。从数据读取、预处理、建模到可视化,R语言都提供了灵活且强大的解决方案。然而,时间序列数据的处理和分析是一个复杂的过程,需要结合具体的应用场景和需求来选择合适的方法和模型。希望本文能为读者在R语言中进行时间序列分析提供一些有益的参考和启示。
|
3月前
|
资源调度 数据挖掘
R语言回归分析:线性回归模型的构建与评估
【8月更文挑战第31天】线性回归模型是统计分析中一种重要且实用的工具,能够帮助我们理解和预测自变量与因变量之间的线性关系。在R语言中,我们可以轻松地构建和评估线性回归模型,从而对数据背后的关系进行深入的探索和分析。
|
3月前
|
机器学习/深度学习 数据采集
R语言逻辑回归、GAM、LDA、KNN、PCA主成分分类分析预测房价及交叉验证
上述介绍仅为简要概述,每个模型在实施时都需要仔细调整与优化。为了实现高度精确的预测,模型选择与调参是至关重要的步骤,并且交叉验证是提升模型稳健性的有效途径。在真实世界的房价预测问题中,可能还需要结合地域经济、市场趋势等宏观因素进行综合分析。
67 3
|
6月前
|
数据采集 数据可视化
利用R语言进行因子分析实战(数据+代码+可视化+详细分析)
利用R语言进行因子分析实战(数据+代码+可视化+详细分析)