R语言常用上机命令分功能整理——时间序列分析为主

1、R语言常用上机命令分功能整理一一时间序列分析为主第一讲应用实例R的基本界面是一个交互式命令窗口，命令提示符是一个大于号，命令的结果马上 显示在命令下面。S命令主要有两种形式：表达式或赋值运算(用或者=表示)。在命令提示符后 键入一个表达式表示计算此表达式并显示结果。赋值运算把赋值号右边的值计算出 来赋给左边的变量。 可以用向上光标键来找回以前运行的命令再次运行或修改后再运行。S是区分大小写的，所以x和X是不同的名字。我们用一些例子来看R软件的特点。假设我们已经进入了 R的交互式窗口。如果没有打开 的图形窗口，在R中，用： x11()可以打开一个作图窗口。然后，输入以下语句：x1 = 0:100x2 = x1*2*pi/100y = sin(x2)plot(x2,y,type=l)这些语句可以绘制正弦曲线图。其中，“=是赋值运算符。0:100表示一个从0到100的等 差数列向量。第二个语句可以看出，我们可以对向量直接进行四则运算，计算得到的X2是 向量x1的所有元素乘以常数2*pi/100的结果。从第三个语句可看到函数可以以向量为输入, 并可以输出一个向量，结果向量y的每一个分量是自变量

2、x2的每一个分量的正弦函数值。有关作图命令plot的详细介绍可以在R中输入help(plot)数学函数abs, sqrt：绝对值，平方根 log, log10, log2 , exp：对数与指数函数 sin, cos, tan, asin, acos, atan, atan2：三角函数 sinh, cosh, tanh, asinh, acosh, atanh：双曲函数 简单统计量sum, mean, var, sd, min, max, range, median, IQR(四分位间距)等为统计量，sort, order, rank 与排序有关，其它还有 ave, fivenum, mad, quantile, stem 等。下面我们看一看S的统计功能： marks mean(marks) sd(marks) min(marks) max(marks)第一个语句输入若干数据到一个向量，函c()用来把数据组合为一个向量。后面用了几个函 数来计算数据的均值、标准差、最小值、最大值。可以把若干行命令保存在一个文本文件中，然后用source函数来运行整个文件： source(C:/l.R)注

3、意字符串中的反斜杠。例:计算6, 4, 7, 8 ,10的均值和标准差，把若干行命令保存在一个文本文件(比如C:1R) 中，然后用source函数来运行整个文件。a- c(10, 6, 4, 7, 8)b-mean(a)c-sd(a)source(C:/1.R)时间序列数据的输入使用函数tsts(1:10, frequency = 4, start = c(1959, 2)print( ts(1:10, frequency = 7, start = c(12, 2), calendar = TRUE)a-ts(1:10, frequency = 4, start = c(1959, 2)plot(a)将外部数据读入Rread.csv默认header = TRUE,也就是第一行是标签，不是数据。read.table默认 header = FALSE将R中的数据输出writewrite.tablewrite.csv第二讲1. 绘制时序图、自相关图例题2.1d=scan(sha.csv)sha=ts(d,start=1964,freq=1)plot.ts(sha)#绘制时序图acf(sha,

4、22)#绘制自相关图，滞后期数22pacf(sha,22) #绘制偏自相关图，滞后期数22corr=acf(sha,22)#保存相关系数cov=acf(sha,22,type = covariance) # 保存协方差图的保存，单击选中图，在菜单栏选中“文件”再选“另存为”同时显示多个图：用x11()命令生成一个空白图，再输入作图命令。2. 同时绘制两组数据的时序图 d=read.csv(double.csv,header=F) double=ts(d,start=1964,freq=1)plot(double, plot.type = multiple)#两组数据两个图plot(double, plot.type = single)#两组数据一个图plot(double, plot.type = single,col=c(red,green),lty=c(1,2) #设置每组数据图的颜色、曲线 类型)3产生服从正态分布的随机观察值例题2.4随机产生1000白噪声序列观察值d=rnorm(1000,0,1)#个数 1000 均值 0 方差 1plot.ts(d)4.纯随机性检验例题2.

5、3续d=scan(temp.csv)temp=ts(d,freq=1,start=c(1949)Box.test(temp, type=Ljung-Box,lag=6)5差分计算x=1:10y=diff(x)k步差分VkXtXtXt-k加入参数lag=k如计算x的3步差分为y=diff(x, lag = 3)p阶差分V P %巴 巴-1加入参数differences = pV2 x = Vx - Vx如2阶差分 t tt-iy=diff(x,differences = 2)第三讲例题31plot.ts(arima.sim(n = 100, list(ar = 0.8)#模拟AR(1)模型，并作时序图。plot.ts(arima.sim(n = 100, list(ar = -1.1)#非平稳，无法得到时序图。plot.ts(arima.sim(n = 100, list(ar = c(1,-0.5)plot.ts(arima.sim(n = 100, list(ar = c(1,0.5)例题35acf(arima.sim(n = 100, list(ar = 0.8)acf (arim

6、a.sim(n = 100, list(ar = -1.1)acf (arima.sim(n = 100, list(ar = c(1,-0.5)acf (arima.sim(n = 100, list(ar = c(1,0.5)例题37arima.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)例题25d=scan(a1.5.txt)#导入数据prop=ts(d,start=1950,freq=1)# 转化为时间序列数据plot(prop)#作时序图acf(prop,12)#作自相关图，拖尾pacf(prop,12)#作偏自相关图，1阶截尾Box.test(prop, type=Ljung-Box,lag=6)#纯随机性检验,p值小于5%，序列为非白噪声Box.test(prop, type=Ljung-Box,lag=12)arima(pro

7、p, order = c(1,0,0),method=ML)#用AR(1)模型拟合，如参数method-CSS,估计方法为条件最小二乘法，用条件最小二乘 法时，不显示AIC。arima(prop, order = c(1,0,0),method=ML, include.mean = F) #用 AR(1)模型拟合,不含截距项。 tsdiag(arima(prop, order = c(1,0,0),method=ML)#对估计进行诊断，判断残差是否为白噪声summary(arima(prop, order = c(1,0,0),method=ML)a=arima(prop, order = c(1,0,0),method=ML)r=a$residuals#用r来保存残差Box.test(r,type=Ljung-Box,lag=6)#对残差进行纯随机性检验predict(arima(prop, order = c(1,0,0), n.ahead =5)#预测未来 5 期prop.fore = predict(arima(prop, order = c(1,0,0), n.ahead =

8、5)#将未来5期预测值保存在prop.fore变量中U = prop.fore$pred + 1.96* prop.fore$seL = prop.fore$pred- 1.96* prop.fore$se#算出 95%置信区间 ts.plot(prop, prop.fore$pred,col=1:2)#(乍时序图，含预测。lines(U, col=blue, lty=dashed)lines(L, col=blue, lty=dashed)#在时序图中作出 95%置信区间例题39d=scan(a1.22.txt)x=diff(d)arima(x, order = c(1,0,1),method=CSS)tsdiag(arima(x, order = c(1,0,1),method=CSS)第一点：对于第三讲中的例2.5，运行命令arima(prop, order = c(1,0,0),method=ML)之后，显示：Call:arima(x = prop, order = c亿 0, 0), method = ML)Coefficients:ar1intercept0.691481.

9、5509s.e.0.09891.7453sigmaA2 estimated as 15.51: log likelihood = -137.02, aic = 280.05注意：intercept下面的81.5509是均值，而不是截距！虽然intercept是截距的意思，这里如 果用 mean 会更好。(the mean and the intercept are the same only when there is no AR term， 均值和截距是相同的，只有在没有AR项的时候)如果想得到截距，利用公式计算。int=(1-0.6914)*81.5509= 25.16661。课本P81的例2.5续中 的截距25.17是正确的。第二点：如需计算参数的t统计量值和p值，利用下面的公式。ar 的 t 统计量值=0.69140.0989= 6.9909(注：数值与课本略有不同，因为课本用sas算的se= 0.1029，R计算的se=0.0989)p 值=pt(6.9909,df=48,lower.tail = F)*2pt()为求t分布求p值的函数，6.99为t统计量的绝对值，df为自由度=数据个数-参数个数, lower.tail = F

《R语言常用上机命令分功能整理——时间序列分析为主》由会员新**分享，可在线阅读，更多相关《R语言常用上机命令分功能整理——时间序列分析为主》请在金锄头文库上搜索。