分解南非GDP数据

rm(list = ls())
graphics.off()

载入数据

gdp <- ts(dat.tmp, start = c(1960, 2), frequency = 4)

plot(gdp)

用Baxter-King滤波器去趋势数据

bk(gdp, pl = 6, pu = 32)
plot.ts(gdp, ylab = "")
plot.ts(cycle, ylab = "")

Christiano-Fitzgerald滤波器去趋势数据

plot.ts(gdp, ylab = "")
plot.ts(cfcycle, ylab = "")

用Beveridge-Nelson分解法 "去趋势 "数据

plot.ts(gdp, ylab = "")
lines(bn.trend, col = "red")
plot.ts(bn.cycle, ylab = "")

比较周期的不同衡量标准

ts.union(lin.cycle, hp.decom, bp.decom,
cf.decom, bn.cycle)
plot.ts(comb, ylab = "")

谱分解

library(tsm)
library(TSA)
library(mFilter)

2 * cos(2 * pi * t * w$1$) + 3 * sin(2 * pi * t *
w$1$)  # no.obs点上的6个周期的频率
4 * cos(2 * pi * t * w$2$) + 5 * sin(2 * pi * t *
w$2$)  #频率为10个周期的观察点
6 * cos(2 * pi * t * w$3$) + 7 * sin(2 * pi * t *
w$3$)  # 在没有观测点的情况下，频率为40个周期
y <- x1 + x2 + x3

par(mfrow = c(2, 2), mar = c(2.2, 2.2, 2, 1), cex = 0.8)
plot(x1, type = "l", main = "x1")
plot(x2, type = "l", main = "x2")
plot(x3, type = "l", main = "x3")
plot(y, type = "l", main = "y")

gram(y, main = "y", col = "red")

cf(y0)
gram(cycle)

plot(x1, type = "l", lty = 1)
lines(cycle, lty = 3, lwd = 3)
plot(y, type = "l", lty = 1)
lines(cycle, lty = 3, lwd = 3)

小波分解

diff/cpi$-1 * (length - 11):length$

plot(inf.yoy)

wt(yoy, "d4")

plot.ts(yoy)
for (i in 1:4) plot.ts(d4$\[i$\]

plot.ts(inf, ylab = "inf")
lines(ren)

inf.tmp <- inf.tren + inf.d4\$w3
inf.tren2 <- ts(inf.tmp, start = c(2003, 1), frequency = 12)
plot.ts(inf.yoy, ylab = "inf")
lines(inf.tren2, col = "red")

相关经济变量的周期性成分之间的相关性

yd <- dat$5:n.obs,$ - dat$1:(n.obs - 4),$  # 存储输出
yc_li <- matrix(rep(0, n.obs * n.var), ncol = n.var)
yc_hp <- matrix(rep(0, n.obs * n.var), ncol = n.var)
yc_bp <- matrix(rep(0, n.obs * n.var), ncol = n.var)
yc_bn <- matrix(rep(0, n.obs * n.var), ncol = n.var)

for (i in 1:n) {

# 用线性滤波器对数据进行去趋势处理
lin.mod <- lm(dat$, i$ ~ time(dat$, i$))

# 用HP滤波器去趋势数据
yc_hp$, i$ <- hp.cycle

#用带通滤波器去趋势数据
yc_bp$, i$ <- bp.cycle

#  Beveridge-Nelson分解
yc_bn$, i$ <- bn.$, 2$
}

for (i in 1:n) {
for (j in 1:n.var) {
c\_li <- leadlag(yc\_li$, i$, yc_li$, j$, maxLeadLag)
c\_hp <- leadlag(yc\_hp$, i$, yc_hp$, j$, maxLeadLag)
c_bp
c_bn
c_yd

for (k in 1:5) {
ynamesLong$(cnt + k), 1$ <- paste(ynames.tmp)
}
cnt <- cnt + 5

# 线性趋势
barplot(corrStylizedFact)
box()

# hp滤波器
op <- par(mfrow = c(1, 3))
barplot(corrStyli, ylim = c(-1, 1))
box()

# beveridge nelson 分解
barplot(coracts, ylim = c(-1, 1), col = "red")
box()

|
29天前
|

R语言广义线性混合模型GLMMs在生态学中应用可视化2实例合集|附数据代码2
R语言广义线性混合模型GLMMs在生态学中应用可视化2实例合集|附数据代码
35 2
|
29天前
|

R语言广义线性混合模型GLMMs在生态学中应用可视化2实例合集|附数据代码1
R语言广义线性混合模型GLMMs在生态学中应用可视化2实例合集|附数据代码
36 2
|
29天前
|

R语言广义线性混合模型（GLMM）bootstrap预测置信区间可视化
R语言广义线性混合模型（GLMM）bootstrap预测置信区间可视化
33 1
|
29天前
|

R语言拟合线性混合效应模型、固定效应随机效应参数估计可视化生物生长、发育、繁殖影响因素
R语言拟合线性混合效应模型、固定效应随机效应参数估计可视化生物生长、发育、繁殖影响因素
23 1
|
29天前
|

R语言神经网络模型金融应用预测上证指数时间序列可视化
R语言神经网络模型金融应用预测上证指数时间序列可视化
28 0
|
29天前
|

R语言中的神经网络预测时间序列：多层感知器（MLP）和极限学习机（ELM）数据分析报告
R语言中的神经网络预测时间序列：多层感知器（MLP）和极限学习机（ELM）数据分析报告
20 3
|
29天前
|

python、R语言ARIMA-GARCH分析南方恒生中国企业ETF基金净值时间序列分析
python、R语言ARIMA-GARCH分析南方恒生中国企业ETF基金净值时间序列分析
29 1
|
29天前
|

R语言非线性动态回归模型ARIMAX、随机、确定性趋势时间序列预测个人消费和收入、用电量、国际游客数量
R语言非线性动态回归模型ARIMAX、随机、确定性趋势时间序列预测个人消费和收入、用电量、国际游客数量
28 0
|
29天前
|

R语言lasso惩罚稀疏加法（相加）模型SPAM拟合非线性数据和可视化
R语言lasso惩罚稀疏加法（相加）模型SPAM拟合非线性数据和可视化
20 0
|
29天前
|

【视频】R语言LDA线性判别、QDA二次判别分析分类葡萄酒品质数据|数据分享（下）
【视频】R语言LDA线性判别、QDA二次判别分析分类葡萄酒品质数据|数据分享
24 0