Análise da série de tempo e suas aplicações: com exemplos R. Solução rápida de séries temporais R A página usa JavaScript para realçar sintaxe. Não é necessário ativá-lo, mas o código será mais difícil de ler. Este é apenas um breve percurso de tempo de queda. Meu conselho é abrir R e jogar junto com o tutorial. Felizmente, você instalou o R e encontrou o ícone na sua área de trabalho que se parece com um R. bem, é um R. Se você estiver usando o Linux, então pare de olhar porque não está lá. Basta abrir um terminal e entrar em R (ou instalar o R Studio.) Se quiser mais em gráficos da série temporal, particularmente usando o ggplot2. Veja o Graphics Fast Fix. A solução rápida destina-se a expor-lhe as capacidades básicas da série R, e é classificada para pessoas de 8 a 80 anos. Esta não é uma lição na análise de séries temporais, mas existe tsaEZ. Uma introdução gratuita e fácil à análise de séries temporais. Loz Baby steps. Sua primeira sessão R. Fique confortável, então comece e tente uma adição simples: Ok, agora você é um especialista em R. Agora teríamos astsa agora: agora que você está carregado, podemos começar. Vamos, primeiro, jogue bem com o conjunto de dados Johnson amp Johnson. Está incluído em astsa como jj. Esse personagem da Dynomite de Good Times. Primeiro, olhe para ele. E você vê que jj é uma coleção de 84 números chamado objeto de séries temporais. Para remover seus objetos: Se você é um usuário de Matlab (ou similar), você pode pensar que o jj é um vetor de 84 vezes 1, mas não é. Tem ordem e comprimento, mas sem dimensões (sem linhas, sem colunas). R chama esses tipos de vetores de objetos para que você tenha que ter cuidado. Em R, as matrizes têm dimensões, mas os vetores não - eles apenas se encolhem no ciberespaço. Agora, vamos fazer um objeto mensal de séries temporais que começa em junho do ano 2293. Nós entramos no Vortex. Note-se que os dados Johnson e Johnson são ganhos trimestrais, portanto, tem freqüência4. A série temporal zardoz é dados mensais, portanto, tem freqüência12. Você também obtém algumas coisas úteis com o objeto ts, por exemplo: Agora tente um gráfico dos dados Johnson Johnson: O gráfico mostrado é um pouco mais sofisticado do que o código irá dar. Para obter detalhes, consulte a página Gráficos Rápidos. Isso vai para o resto das parcelas que você verá aqui. Experimente estes e veja o que acontece: e enquanto estiver aqui, confira plot. ts e ts. plot. Note-se que, se os seus dados forem um objeto da série temporal, plot () fará o truque (para um gráfico de tempo simples, isto é). Caso contrário, plot. ts () irá coagir o gráfico em um gráfico de tempo. Como sobre filtros que amaldiquem a série Johnson Johnson do ampère usando uma média móvel de dois lados Vamos tentar isso: fjj (t) 8539 jj (t-2) frac14 jj (t-1) frac14 jj (t) frac14 jj (t1) 8539 jj ( T2) e bem adicione um lowess (lowess - você conhece a rotina) para se divertir. Permite a diferença dos dados registrados e chamamos dljj. Então, fale com dljj. Agora, um histograma e um enredo Q-Q, um em cima do outro (mas de uma maneira agradável): Confira a estrutura de correlação de dljj usando várias técnicas. Primeiro, observe uma grade de diagramas de dispersão de dljj (t) versus valores atrasados. As linhas são baixas e a amostra é azul na caixa. Agora vamos dar uma olhada no ACF e PACF do dljj. Observe que o eixo LAG é em termos de freqüência. Então 1,2,3,4,5 corresponde a atrasos 4,8,12,16,20 porque a frequência 4 aqui. Se você não gosta deste tipo de rotulagem, você pode substituir dljj em qualquer um dos itens acima por ts (dljj, freq1), e. Acf (ts (dljj, freq1), 20) Movendo-se, vamos tentar uma decomposição estrutural do erro de temporada de log (jj) usando lowess. Se você quiser inspecionar os resíduos, por exemplo, theyre in dogtime. series, 3. A terceira coluna da série resultante (os componentes sazonais e de tendência estão nas colunas 1 e 2). Confira o ACF dos resíduos, acf (dogtime. series, 3), os resíduos não são brancos, nem mesmo próximos. Você pode fazer um pouco (muito pouco) melhor usando uma janela sazonal local, em oposição à global usada especificando per. Digite stl para obter detalhes. Há também algo chamado StructTS que irá caber modelos estruturais paramétricos. Não usamos essas funções no texto quando apresentamos modelos estruturais no Capítulo 6 porque preferimos usar nossos próprios programas. Loz Este é um bom momento para explicar. No acima, o cão é um objeto que contém um monte de coisas (termo técnico). Se você digitar cão. Você verá os componentes, e se você digitar sumário (cão), você obterá um pequeno resumo dos resultados. Um dos componentes do cão é time. series. Que contém a série resultante (sazonal, tendência, restante). Para ver este componente do objeto cão. Você digita dogtime. series (e você verá 3 séries, a última contendo os resíduos). E essa é a história de. Você verá mais exemplos à medida que nos movemos. E agora bem, faça um problema do Capítulo 2. Seria ajustado ao log de regressão (jj) betatime alfa 1 Q1 alfa 2 Q2 alfa 3 Q3 alfa 4 Q4 epsilon em que Qi é um indicador do quarto i 1,2,3,4 . Então, inspecione bem os resíduos. Você pode visualizar a matriz do modelo (com as variáveis dummy) desta forma: agora verifique o que aconteceu. Olhe para um enredo das observações e seus valores ajustados: o que mostra que um enredo dos dados com o ajuste superposto não vale o ciberespaço que ele ocupa. Mas um gráfico dos resíduos e o ACF dos resíduos valem o seu peso em joules: Esses resíduos ficam brancos. Ignore a correlação de 0-lag, é sempre 1. Dica: A resposta é NÃO. Então a regressão acima é nula. Então, qual é o remédio Desculpe, você terá que levar a aula porque esta não é uma lição de séries temporais. Eu o avisei no topo. Você deve ter cuidado ao regredir uma série de tempo em componentes remanescentes de outro usando lm (). Existe um pacote chamado dynlm que facilita o ajuste das regressões atrasadas, e vou discutir isso logo após este exemplo. Se você usa lm (). Então o que você precisa fazer é amarrar a série usando ts. intersect. Se você não amarrar a série, eles não serão alinhados corretamente. Este é um exemplo que regredirá a mortalidade cardiovascular semanal (cmort) na poluição por partículas (parte) no valor presente e atrasou quatro semanas (cerca de um mês). Para obter detalhes sobre o conjunto de dados, consulte o Capítulo 2. Verifique se astsa está carregada. Nota: Não foi necessário renomear o atraso (parte, -4) para a parte 4. É apenas um exemplo do que você pode fazer. Uma alternativa ao acima é o pacote dynlm que tem que ser instalado, é claro (como fizemos para astsa lá no início). Depois que o pacote for instalado, você pode fazer o exemplo anterior da seguinte maneira: Bem, é hora de simular. O cavalo de batalha para as simulações ARIMA é arima. sim (). Aqui estão alguns exemplos, nenhum resultado é mostrado aqui, então você está sozinho. Usar astsa é fácil de se ajustar a um modelo ARIMA: você pode estar se perguntando sobre a diferença entre aic e AIC acima. Para isso, você tem que ler o texto ou simplesmente não se preocupe com isso porque não vale a pena arruinar o seu dia pensando nisso. E sim, esses resíduos ficam brancos. Se você quiser fazer a previsão do ARIMA, o sarima. for está incluído no astsa. E agora para alguma regressão com erros auto-correlacionados. Seriam adaptados ao modelo M t alpha betat gammaP t e t onde M t e P t são as séries de mortalidade (cmort) e partículas (parte), e e t é erro autocorrelacionado. Primeiro, faça um ajuste OLS e verifique os resíduos: agora ajuste o modelo. A análise residual (não mostrada) parece perfeita. Heres um modelo ARMAX, M t beta 0 phi 1 M t-1 phi 2 M t-2 beta 1 t beta 2 T t-1 beta 3 P t beta 4 P t-4 e t. Onde e t é possivelmente auto-correlacionado. Primeiro, tentamos e ARMAX (p2, q0), então olhe para os resíduos e percebemos que não há correlação esquerda, então foram feitas. Finalmente, uma análise espectral é rápida: é tudo por enquanto. Se você quiser mais em gráficos de séries temporais, veja a página Fast Fix Graphics. Mudelsee M (2014) Climate Time Series Analysis: Classical Statistical and Bootstrap Methods. Segunda edição. Springer, Cham Heidelberg, Nova Iorque, Dordrecht, Londres. ISBN: 978-3-319-04449-1, e-ISBN: 978-3-319-04450-7, DOI: 10.1007978-3-319-04450-7 xxxii 454 pp Biblioteca de Ciências Atmosféricas e Oceanográficas, Vol. 51 O clima é um paradigma de um sistema complexo. Analisar os dados climáticos é um desafio emocionante, que é aumentado pela forma distributiva não normal, dependência serial, espaçamento desigual e incertezas temporais. Este livro apresenta o reescalonamento do bootstrap como um método intensivo em computação capaz de enfrentar o desafio. Ele mostra o bootstrap para executar de forma confiável nas técnicas de estimação estatística mais importantes: regressão, análise espectral, valores extremos e correlação. Este livro é escrito para climatologistas e estatísticos aplicados. Ele explica passo a passo os algoritmos de inicialização (incluindo novas adaptações) e métodos para a construção do intervalo de confiança. Testa a precisão dos algoritmos por meio de experimentos de Monte Carlo. Ele analisa uma grande variedade de séries climáticas, fornecendo uma conta detalhada sobre os dados e as questões climatológicas associadas. Contém 29 algoritmos, 101 figuras, 1288 referências e 46 tabelas. Um trecho do prefácio da primeira edição pode ser encontrado na Análise de Riscos Climáticos. Uma grande amostra parte (PDF) da primeira edição está aqui: Climate Time Series Analysis. Uma pequena amostra da primeira edição é no Google Livros.
No comments:
Post a Comment