圖形展示：

plot.zoo(x)

plot.xts(x)

plot.zoo(x, plot.type=”single”) #支持多個時間序列數(shù)據(jù)在一個圖中展示

plot(x, plot.type=”single”) #支持多個時間序列數(shù)據(jù)在一個圖中展示，僅對xts不行

1、自相關系數(shù)、偏自相關系數(shù)等

例題2.1

d=scan("sha.csv")

sha=ts(d,start=1964,freq=1)

plot.ts(sha)? ?#繪制時序圖

acf(sha,22)? ?#繪制自相關圖，滯后期數(shù)22

pacf(sha,22)??#繪制偏自相關圖，滯后期數(shù)22

corr=acf(sha,22)? ?#保存相關系數(shù)

cov=acf(sha,22,type = "covariance")? ?#保存協(xié)方差

2、同時繪制兩組數(shù)據(jù)的時序圖

d=read.csv("double.csv",header=F)

double=ts(d,start=1964,freq=1)

plot(double, plot.type = "multiple")? ?#兩組數(shù)據(jù)兩個圖

plot(double, plot.type = "single")? ???#兩組數(shù)據(jù)一個圖

plot(double, plot.type = "single",col=c("red","green"),lty=c(1,2)) #設置每組數(shù)據(jù)圖的顏色、曲線類型)

3、純隨機性檢驗

例題2.3續(xù)

d=scan("temp.csv")

temp=ts(d,freq=1,start=c(1949))

Box.test(temp, type="Ljung-Box",lag=6)

4、差分運算和滯后運算

diff

lag

5、模擬ARIMA模型的結果

arima.sim(n = 100, list(ar = 0.8))

plot.ts(arima.sim(n = 100, list(ar = 0.8)))? ?#會隨機產(chǎn)生一個包含100個隨機數(shù)的時序圖

plot.ts(arima.sim(n = 100, list(ar = -1.1)))? ?#非平穩(wěn)，無法得到時序圖。

plot.ts(arima.sim(n = 100, list(ar = c(1,-0.5))))

plot.ts(arima.sim(n = 100, list(ar = c(1,0.5))))

arima.sim(n = 1000, list(ar = 0.5, ma = -0.8))

acf(arima.sim(n = 1000, list(ar = 0.5, ma = -0.8)),20)

pacf(arima.sim(n = 1000, list(ar = 0.5, ma = -0.8)),20)

【單位根檢驗】

#方法1

b=ts(read.csv("6_1.csv",header=T))

x=b[,1]

y=b[,1]

summary(ur.df(x,type="trend",selectlags="AIC"))

#方法2：單位根檢驗更好的函數(shù)，加了畫圖的功能

library(fUnitRoots)

urdfTest(x)

#方法3：ADF檢驗的一個自編函數(shù)

library(urca)

#...

ur.df.01=function(x,lags=8){? ?

??#將三種ADF檢驗形式匯總的函數(shù)（結果和EVIEWS不一致）

??res=matrix(0,5,3)

??colnames(res)=c("無","含常數(shù)項","含常數(shù)項和趨勢項")

??rownames(res)=c("tau統(tǒng)計量","1%臨界值","5%臨界值",

? ?? ?? ?? ?? ?? ?"10%臨界值","是否穩(wěn)定（1/0）")

??types=c("none","drift","trend")

??for(i in 1:3){

? ? x.adf=ur.df(x,type=types,lags=lags,selectlags="AIC")

x.adf.1=x.adf@teststat??#統(tǒng)計量

x.adf.2=x.adf@cval? ?? ?#臨界值

? ? res[1,i]??=x.adf.1[1]

? ? res[2:4,i]=x.adf.2[1,]

? ? res[5,i]=if( abs(res[1,i]) > abs(res[3,i]) ) 1 else 0

??}

??return(res)

}

#...

ur.df.01(x)? ?? ?? ?? ???#對原序列進行判斷

【一般的ARIMA模型】

d=scan("a1.5.txt")? ?? ?? ?? ?? ?#導入數(shù)據(jù)

prop=ts(d,start=1950,freq=1)? ?? ?#轉化為時間序列數(shù)據(jù)

plot(prop)? ?? ?? ?? ?? ?? ? #作時序圖

acf(prop,12)? ?? ?? ?? ?? ???#作自相關圖，拖尾

pacf(prop,12)? ?? ?? ?? ?? ? #作偏自相關圖，1階截尾

Box.test(prop, type="Ljung-Box",lag=6)??

#純隨機性檢驗,p值小于5%，序列為非白噪聲

Box.test(prop, type="Ljung-Box",lag=12)

( m1=arima(prop, order = c(1,0,0),method="ML") )? ? #用AR(1)模型擬合，如參數(shù)method="CSS"，估計方法為條件最小二乘法，用條件最小二乘法時，不顯示AIC。

( m2=arima(prop, order = c(1,0,0),method="ML", include.mean = F) ) #用AR(1)模型擬合，不含截距項。

tsdiag(m1)??#對估計進行診斷，判斷殘差是否為白噪聲