时间序列的预处理

目录

一、特征统计量

1.概率分布

2.特征统计量

二、平稳时间序列的定义 

严平稳与宽平稳的关系

三、平稳时间序列的统计性

四、平稳性的重大意义

五、平稳性检验

 时序图检验

自相关图检验

R绘图


一、特征统计量

        平稳性是某些时间序列具有的一种统计特征要描述清楚这个特征,我们必须借助以下统计工具。

1.概率分布

时间序列概率分布族:

实际应用的局限性

2.特征统计量

  • 均值        
  • 方差        
  • 自协方差       
  • 自相关系数(ρ)       

二、平稳时间序列的定义 

  • 严平稳:随机变量族的统计性质完全有它们的联合概率分布族决定,若任意的t下的联合概率分布族相等,则认为该序列是严平稳的
满足如下条件的序列可称为严平稳序列:

宽平稳:(使用序列的特征统计量来定义)认为序列的统计性质主要由它的低阶矩决定,所以只要保证序列低阶矩平稳(二阶),就能保证序列的主要性质近似稳定:

满足如下条件的序列可称为宽平稳序列 :

严平稳与宽平稳的关系

  • 一般关系

  • 特例

三、平稳时间序列的统计性

1)均值为常数:Ex=μ(μ为常数)
2)自协方差和自相关系数只依赖于时间的平移长度而与时间的起止点无关

 自相关系数的4个性质:规范性、对称性、非负定性和非唯一性

  • 非唯一性:一个平稳时间序列一定唯一决定它的自相关函数,一个自相关函数未必唯一对应一个平稳时间序列

四、平稳性的重大意义

  • 在平稳序列场合,均值序列变成了只含有一个常量的常数序列。

{ut,t属于T} ——> {u,t属于T}

  • 原本每个随机变量的均值(方差,自相关系数)只能依靠唯一的一个样本观察值去估计,瞎子你由于平稳性,每个统计量都将拥有大量的样本观察值。
  • 这极大地减少了随机变量的个数,并增加了待估变量的样本容量。极大地简化了时序分析的难度,同时也提高了对特征统计量的估计精度。

五、平稳性检验

  • 图检验
  1. 时序图 ——> 优点:操作简便
  2. 自相关图 ——> 缺点:结论带有一定的主观色彩
  •  假设检验:单位根检验
  •  时序图检验

        根据平稳时间序列均值、方差为常数的性质,平稳序列的时序图应该显示出该序列始终再一个常数值附近波动,而且波动的范围有界、无明显趋势及周期特征

        如果有趋势或周期,通常是非平稳 

  • 自相关图检验

        平稳序列通常具有短期相关性。该性质用自相关系数来描述就是随着延迟期数的增加,平稳序列的自相关系数会很快地衰减向零。

        非平稳序列衰减向零地速度通常比较慢。

R绘图

在R中,绘制时序图可用plot()函数,绘制自相关图可用acf()函数

在后续会详细介绍相关绘图的参数,其相关的数据也会在后续上传。

我们先看一下例2_1,在这里截取部分数据

在这里我们可以看到,数据有标题,且都是每年一个数据

代码如下:

读取数据时 要用 /  或者  \\ ,否则会出错

a<-read.table("D:/桌面/E2_1.csv")
a

返回:

然后我们进行时间序列分离变量时会报错,

如执行代码:x<-ts(a$sunspots,start=1964)

错误如下:

那么该如何解决?

这时就应该回到最初读取数据时了,如下

a<-read.table("D:/桌面/E2_1.csv",sep=",",header=T)
a

此时读取如下:

可以发现,第一列和第二列已经完全分开了,嘿嘿,我们接下来在进行下一步

x<-ts(a$sunspots,start=1964)
x

在这里,a$是为了选出x所代表的数据,start表示数据的起始时间,原数据的起始时间是1820,在这里我们用的1964,对结果不会有影响,就是所对应的时间会有所改变

结果如下:

接下来,我们进行一下绘图试试

先画个时序图:

plot(x)

再画个自相关图:

acf(x,lag.max=25)

lag.max 也可以用 lag 代替哦

返回结果为:

接下来,我们再举一个例子2-2

读取方法跟上面一样,不再多讲了

a<-read.table("D:/桌面/E2_2.csv",sep=",",header=T)

返回结果:

仔细看看可知,它们是一年12个月都有的哦

接下来的分离数据就有所不同了,方法如下:

x<-ts(a$co2,start=c(1975,1),frequency=12)
x

frequency 代表频率,这里表示一年有12个月,如果是4个季度就是4

返回结果如下:

绘制时序图:

plot(x)

返回:

绘制自相关图:

acf(x)

返回:

这次,我们介绍到这里,如有问题,欢迎评论区见哦!!

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/news/564834.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

Java系统流

每个 Java 程序运行时都带有一个系统流&#xff0c;系统流对应的类为 java.lang.System。Sytem 类封装了 Java 程序运行时的 3 个系统流&#xff0c;分别通过 in、out 和 err 变量来引用。这 3 个系统流如下所示&#xff1a; System.in&#xff1a;标准输入流&#xff0c;默认设…

R中‘ts‘ object must have one or more observations

错误如下&#xff1a; 为什么会出现&#xff0c;如下错误是因为我读取数据是&#xff0c;没有对数据进行分割&#xff0c;而是直接读取&#xff0c;然后使用的 最初读取方式为&#xff1a; 改变后的读取方式&#xff1a; 此时&#xff0c;再调用上面提示错误的那行代码试试&am…

python编码和解码_uu --- 对 uuencode 文件进行编码与解码 — Python 3.7.9 文档

uu --- 对 uuencode 文件进行编码与解码 此模块使用 uuencode 格式来编码和解码文件&#xff0c;以便任意二进制数据可通过仅限 ASCII 码的连接进行传输。 在任何要求文件参数的地方&#xff0c;这些方法都接受文件类对象。 为了保持向下兼容&#xff0c;也接受包含路径名称的字…

Java字符编码介绍

在计算机中&#xff0c;任何的文字都是以指定的编码方式存在的&#xff0c;在 Java 程序的开发中最常见的是 ISO8859-1、GBK/GB2312、Unicode、 UTF 编码。 Java 中常见编码说明如下&#xff1a; ISO8859-1&#xff1a;属于单字节编码&#xff0c;最多只能表示 0~255 的字符范…

灰色预测法 —— python

目录 1.简介 2.算法详解 2.1 生成累加数据 2.2 累加后的数据表达式 2.3 求解2.2的未知参数 3.实例分析 3.1 导入数据 3.2 进行累加数据 3.3 求解系数 3.4 预测数据及对比 完整代码 1.简介 灰色系统理论认为对既含有已知信息又含有未知或非确定信息的系统进行预测&am…

python爬虫怎么爬小说_python爬虫爬取笔趣网小说网站过程图解

首先&#xff1a;文章用到的解析库介绍 BeautifulSoup&#xff1a; Beautiful Soup提供一些简单的、python式的函数用来处理导航、搜索、修改分析树等功能。 它是一个工具箱&#xff0c;通过解析文档为用户提供需要抓取的数据&#xff0c;因为简单&#xff0c;所以不需要多少代…

Java File类详解

在 Java 中&#xff0c;File 类是 java.io 包中唯一代表磁盘文件本身的对象&#xff0c;也就是说&#xff0c;如果希望在程序中操作文件和目录&#xff0c;则都可以通过 File 类来完成。File 类定义了一些方法来操作文件&#xff0c;如新建、删除、重命名文件和目录等。 File …

时间序列的预处理之纯随机性检验

目录 1.纯随机序列的定义 2.性质 3.纯随机性检验 1.纯随机序列的定义 纯随机序列也称为白噪声序列&#xff0c;满足如下性质&#xff1a;2.性质 纯随机性&#xff08;无记忆性&#xff09;方差齐性举例&#xff0c;随机生成1000个白噪声序列 用正态分布序列 rnorm(数量&am…

python logger设置信息取得_shell 脚本中如何获取 python logging 打印的信息?

在 shell 脚本中调用 python 的接口&#xff0c;但是 python API 是通过 python 的 logging 把相关信息打印到屏幕上的&#xff0c;不知道这种情况在 shell 中怎么获取这些 logging 信息&#xff0c;请指教。 代码中是这么写的&#xff1a; 1 2 3 4 5 6 7 8 9 10 11 12 13 14 1…

Java字节流的使用

InputStream 是 Java 所有字节输入流类的父类&#xff0c;OutputStream 是 Java 所有字节输出流类的父类&#xff0c;它们都是一个抽象类&#xff0c;因此继承它们的子类要重新定义父类中的抽象方法。 下面首先介绍上述两个父类提供的常用方法&#xff0c;然后介绍如何使用它们…

ARMA模型的性质之方法性工具

目录 一、差分 Xt 二、延迟算子 延迟算子的性质 p阶差分 k步差分 三、线性差分方程 齐次线性差分方程的解 非齐次线性差分方程的解 时序分析与线性差分方程的关系 一、差分 Xt 二、延迟算子 延迟算子类似于一个时间指针&#xff0c;当前序列值乘以一个延迟算子&…

python如何下载库_python中如何下载库

python下载安装库的方法&#xff1a; 1、在线安装 在cmd窗口直接运行&#xff1a;pip install 包名&#xff0c;如 pip install requests 注意&#xff1a;这种方式安装时会自动下载第三方库&#xff0c;安装完成后并不会删除&#xff0c;如需删除请到它的默认下载路径下手动删…

Java字符流的使用

字符输入流 Reader 类是所有字符流输入类的父类&#xff0c;该类定义了许多方法&#xff0c;这些方法对所有子类都是有效的。 Reader 类的常用子类如下。 CharArrayReader 类&#xff1a;将字符数组转换为字符输入流&#xff0c;从中读取字符。StringReader 类&#xff1a;将…

ARMA模型的性质 1

目录 1.wold分解定理&#xff08;1938&#xff09; 2.AR模型 2.1定义&#xff1a; AR(p) 有三个限制条件&#xff1a; 中心化 AR(p) 模型 2.2 AR模型的平稳性判别 序列拟合函数 R 举例 1.wold分解定理&#xff08;1938&#xff09; 对于任何一个离散平稳序列 {xt} 他都…

python 二维码_Python提取支付宝和微信支付二维码

本文首发于我的个人博客&#xff0c;更多 Python 和 django 开发教程&#xff0c;请访问 追梦人物的博客。支付宝或者微信支付导出的收款二维码&#xff0c;除了二维码部分&#xff0c;还有很大一块背景图案&#xff0c;例如下面就是微信支付的收款二维码&#xff1a;有时候我们…

Java转换流

一般情况下&#xff0c;字节流可以对所有的数据进行操作&#xff0c;但是有些时候在处理一些文本时我们要用到字符流&#xff0c;比如&#xff0c;查看文本的中文时就是需要采用字符流更为方便。所以 Java IO 流中提供了两种用于将字节流转换为字符流的转换流。 InputStreamRe…

ARMA模型的平稳性判别(续)

目录 1.特征根判别法 AR(p)模型对应齐次方程特征根与回归系数多项式根的关系&#xff1a; 2.平稳域判别 &#xff08;1&#xff09;AR(1)(一阶)模型平稳域 &#xff08;2&#xff09;AR(2)(二阶)模型平稳域 3.举例 4.函数展开成幂级数——麦克劳林级数 小结 1.特征根判…

form表单中根据值判断是否disabled_Java 0基础入门 (Html表单、表单元素)

上一篇&#xff1a;Java 0基础入门 (Html标签的使用)表单在网页中主要负责数据采集功能。一.表单实际应用场景百度搜索5173注册如上两张图&#xff0c;图中的黑色线条是我画上去的&#xff0c;如果按照黑线&#xff0c;在Excle中画出这两张表单&#xff0c;相信大家都可以也不是…

ARMA模型性质之平稳AR模型得统计性质

目录 1.均值 Green函数定义 Green函数递推公式 2.方差 举例&#xff1a; 方法1&#xff1a; 方法2&#xff1a; 3.协方差函数 举例1&#xff1a; 举例2&#xff1a; 4.自相关系数 常用的ARA模型自相关系数递推公式&#xff1a; AR模型自相关系数的性质 举例 5.偏自…

Java存储图书信息

使用文件输入/输出流完成存储图书并将图书信息再读取出来的功能。 每到学校开学季都会新进一批图书教材&#xff0c;需要将这些图书信息保存到文件&#xff0c;再将它们打印出来方便老师查看。下面编写程序&#xff0c;使用文件输入/输出流完成图书信息的存储和读取功能&#…