Moviendo Promedios en R A mi leal saber y entender, R no tiene una función incorporada para calcular promedios móviles. Usando la función de filtro, sin embargo, podemos escribir una función corta para medias móviles: Podemos usar la función en cualquier dato: mav (data), o mav (data, 11) si queremos especificar un número diferente de puntos de datos Que el predeterminado 5 trazado funciona como se espera: plot (mav (datos)). Además del número de puntos de datos sobre los cuales se puede hacer un promedio, también podemos cambiar el argumento de las funciones del filtro: sides2 usa ambos lados, sides1 usa sólo valores pasados. Compartir esta: Navegación de los artículos Navegación de los comentarios Comentario de la navegaciónTime Serie Análisis y sus aplicaciones: con R Ejemplos R serie temporal de solución rápida La página utiliza JavaScript para destacar sintaxis. No es necesario encenderlo, pero el código será más difícil de leer. Esto es sólo un breve paseo por el camino del tiempo. Mi consejo es abrir R y jugar junto con el tutorial. Esperamos que haya instalado R y encontrado el icono en su escritorio que parece un R. bien, es un R. Si está usando Linux, entonces deje de buscar porque no está allí. Simplemente abra un terminal e ingrese R (o instale R Studio.) Si desea más información sobre gráficos de series de tiempo, en particular usando ggplot2. Vea la corrección rápida de gráficos. La solución rápida está destinada a exponer a las capacidades de serie de tiempo R básicas, y se clasifica como diversión para personas de 8 a 80 años. Esto no es una lección en el análisis de series de tiempo, pero hay tsaEZ. Una introducción fácil y gratuita al análisis de series de tiempo. Loz Baby pasos. Su primera sesión R. Siéntase cómoda, entonces empiece con ella y pruebe con una simple adición: Ok, ahora eres un experto. Iban a obtener astsa ahora: Ahora que estás cargado, podemos empezar. Vamos a ir En primer lugar, jugar bien con el Johnson Johnson Johnson conjunto de datos. Está incluido en astsa como jj. Ese personaje dinámico de Good Times. En primer lugar, mirarlo. Y usted ve que jj es una colección de 84 números llamados un objeto de la serie del tiempo. Para ver / eliminar tus objetos: Si eres un usuario de Matlab (o similar), puedes pensar que jj es un vector de 84 veces 1, pero no es así. Tiene orden y longitud, pero sin dimensiones (sin filas, sin columnas). R llama a estos tipos de vectores de objetos por lo que hay que tener cuidado. En R, las matrices tienen dimensiones, pero los vectores no lo hacen - simplemente se balancean en el ciberespacio. Ahora, vamos a hacer un objeto serie mensual serie que comienza en junio del año 2293. Entramos en el vórtice. Tenga en cuenta que los datos de Johnson y Johnson son ganancias trimestrales, por lo que tiene frecuencia4. La serie de tiempo zardoz es mensual, por lo que tiene frecuencia12. También obtendrá algunas cosas útiles con el objeto ts, por ejemplo: Ahora intente una gráfica de los datos de Johnson Johnson: La gráfica mostrada es un poco más sofisticada que el código. Para obtener más información, consulte la página de Quick Fix Graphics. Esto va para el resto de los diagramas que usted verá aquí. Pruebe estos y vea lo que sucede: y mientras youre aquí, echa un vistazo a plot. ts y ts. plot. Tenga en cuenta que si sus datos son un objeto de serie temporal, plot () hará el truco (para un simple gráfico de tiempo, es decir). De lo contrario, plot. ts () coaccionará el gráfico en un gráfico de tiempo. ¿Qué hay de filtrar / suavizar la serie Johnson amp Johnson utilizando un promedio móvil de dos caras Tratemos esto: fjj (t) 8539 jj (t-2) frac14 jj (t-1) frac14 jj (t) frac14 jj (t1) 8539 Jj (t2) y bien añadir un lowess (lowess - usted sabe la rutina) aptos para la diversión. Permite diferenciar los datos registrados y llamarlo dljj. Entonces juega bien con dljj. Ahora un histograma y una trama de Q-Q, una encima de la otra (pero de una manera agradable): Deja la estructura de la correlación de dljj de la comprobación usando varias técnicas. En primer lugar, bien mirar una cuadrícula de diagramas de dispersión de dljj (t) en comparación con los valores rezagados. Las líneas son un ajuste lowess y la muestra acf es azul en la caja. Ahora echemos un vistazo a la ACF y PACF de dljj. Observe que el eje del LAG es en términos de frecuencia. Por lo que 1,2,3,4,5 corresponden a los retornos 4,8,12,16,20 debido a la frecuencia4 aquí. Si no te gusta este tipo de etiquetado, puedes reemplazar dljj en cualquiera de los anteriores por ts (dljj, freq1), p. Acf (ts (dljj, freq1), 20) En movimiento, vamos a intentar una descomposición estructural de log (jj) temporada tendencia error utilizando lowess. Si usted desea inspeccionar los residuos, por ejemplo, theyre en dogtime. series, 3. La tercera columna de la serie resultante (los componentes estacionales y de tendencia se encuentran en las columnas 1 y 2). Echa un vistazo a la ACF de los residuos, acf (dogtime. series, 3) los residuos arent blanco, ni siquiera cerca. Usted puede hacer un poco (muy poco) mejor utilizando una ventana local de temporada, en contraposición a la global que se utiliza especificando per. Escriba stl para obtener más detalles. Theres también algo llamado StructTS que se ajuste a los modelos paramétricos estructurales. No usamos estas funciones en el texto cuando presentamos el modelado estructural en el Capítulo 6 porque preferimos usar nuestros propios programas. Loz Este es un buen momento para explicar. En lo anterior, el perro es un objeto que contiene un montón de cosas (término técnico). Si escribe el perro. Youll ver los componentes, y si escribe resumen (perro) youll obtener un pequeño resumen de los resultados. Uno de los componentes del perro es time. series. Que contiene la serie resultante (estacional, tendencia, resto). Para ver este componente del perro del objeto. Usted escribe dogtime. series (y verá 3 series, la última de las cuales contiene los residuos). Y esa es la historia de. Youll ver más ejemplos a medida que avanzamos. Y ahora bien hacer un problema desde el capítulo 2. Se va a ajustar la regresión log (jj) betatime alfa 1 Q1 alfa 2 Q2 alfa 3 Q3 alfa 4 Q4 epsilon donde Qi es un indicador del trimestre i 1,2,3,4 . Luego inspeccione bien los residuos. Puede ver la matriz del modelo (con las variables dummy) de esta manera: Ahora vea lo que pasó. Observa un diagrama de las observaciones y sus valores ajustados: que muestra que una trama de los datos con el ajuste superpuesto no vale el ciberespacio que ocupa. Pero una parcela de los residuos y la ACF de los residuos vale su peso en joules: ¿Los residuos se ven blancos Ignore la correlación de 0 lag, su siempre 1. Sugerencia: La respuesta es NO. Por lo que la regresión anterior es nula. Así que cuál es el remedio Lo siento, usted tendrá que tomar la clase porque esto no es una lección en la serie de tiempo. Te lo advertí en lo alto. Tienes que tener cuidado cuando retrocedes una serie de tiempo en componentes rezagados de otro usando lm (). Hay un paquete llamado dynlm que hace que sea fácil ajustar las regresiones rezagadas, y discutiré eso justo después de este ejemplo. Si utiliza lm (). Entonces lo que usted tiene que hacer es atar la serie junto usando ts. intersect. Si no empate la serie juntos, que no será alineado correctamente. He aquí un ejemplo de regresión de la mortalidad cardiovascular semanal (cmort) sobre la contaminación por partículas (parte) al valor presente y cuatro semanas (aproximadamente un mes). Para obtener detalles sobre el conjunto de datos, consulte el Capítulo 2. Asegúrese de que astsa está cargado. Nota: No era necesario renombrar lag (parte, -4) a parte4. Es sólo un ejemplo de lo que puede hacer. Una alternativa a lo anterior es el paquete dynlm que tiene que ser instalado, por supuesto (como lo hicimos para astsa allí arriba al principio). Después de instalar el paquete, puede hacer el ejemplo anterior de la siguiente manera: Bueno, es hora de simular. El caballo de batalla para las simulaciones ARIMA es arima. sim (). Aquí hay algunos ejemplos de salida no se muestra aquí por lo que estás en su cuenta. Usando astsa es fácil de adaptarse a un modelo ARIMA: Usted podría estar preguntándose sobre la diferencia entre AIC y AIC arriba. Para eso tienes que leer el texto o simplemente no te preocupes porque no vale la pena arruinar tu día pensando en ello. Y sí, esos residuos se ven blancos. Si desea hacer previsiones ARIMA, sarima. for se incluye en astsa. Y ahora para alguna regresión con errores autocorrelacionados. Iban a ajustarse al modelo M t alfa betat gammaP t e t donde M t y P t son las series de mortalidad (cmort) y partículas (parte), y e t es el error autocorrelacionado. En primer lugar, hacer un ajuste OLS y comprobar los residuos: Ahora ajuste el modelo El análisis residual (no se muestra) se ve perfecto. Heres un 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. Donde e t es posiblemente autocorrelacionada. Primero probamos y ARMAX (p2, q0), luego miramos los residuos y nos damos cuenta de que no hay correlación a la izquierda, así que fueron hechos. Finalmente, un análisis espectral quicky: Eso es todo por ahora. Si desea más información sobre los gráficos de series de tiempo, consulte la página Quick Fix de los gráficos.8.4 Mover modelos medios En lugar de utilizar valores pasados de la variable de pronóstico en una regresión, un modelo de media móvil utiliza errores de pronóstico anteriores en un modelo tipo regresión. Y c e teta teta e dots theta e, donde et es ruido blanco. Nos referimos a esto como un modelo MA (q). Por supuesto, no observamos los valores de et, por lo que no es realmente regresión en el sentido usual. Observe que cada valor de yt puede considerarse como una media móvil ponderada de los últimos errores de pronóstico. Sin embargo, los modelos de media móvil no deben confundirse con el suavizado promedio móvil que discutimos en el Capítulo 6. Un modelo de media móvil se utiliza para pronosticar valores futuros mientras que el suavizado medio móvil se utiliza para estimar el ciclo de tendencias de valores pasados. Figura 8.6: Dos ejemplos de datos de modelos de media móvil con diferentes parámetros. A la izquierda: MA (1) con y t 20e t 0.8e t-1. Derecha: MA (2) con y t e t - e t-1 0.8e t-2. En ambos casos, e t es el ruido blanco normalmente distribuido con media cero y varianza uno. La Figura 8.6 muestra algunos datos de un modelo MA (1) y un modelo MA (2). Al cambiar los parámetros theta1, dots, thetaq, se obtienen diferentes patrones de series temporales. Al igual que con los modelos autorregresivos, la varianza del término de error y sólo cambiará la escala de la serie, no los patrones. Es posible escribir cualquier modelo estacionario AR (p) como un modelo MA (infty). Por ejemplo, usando la sustitución repetida, podemos demostrar esto para un modelo de AR (1): begin yt amp phi1y et amp phi1 (phi1y e) ph php php php php php php php php php php php php php php php php php php php php php php php php php php php php php php php php php php php php php php php php php php php php php php php php php php php 1, el valor de phi1k se hará más pequeño a medida que k sea mayor. Así que finalmente obtenemos yt et phi1 e phi12 e phi13 e cdots, un proceso MA (infty). El resultado inverso se cumple si imponemos algunas limitaciones a los parámetros de MA. Entonces el modelo MA se llama inversible. Es decir, que podemos escribir cualquier proceso de MA (q) invertible como un proceso de AR (infty). Los modelos Invertibles no son simplemente para permitirnos convertir de modelos MA a modelos AR. También tienen algunas propiedades matemáticas que los hacen más fáciles de usar en la práctica. Las restricciones de invertibilidad son similares a las restricciones de estacionariedad. Para un modelo MA (1): -1lttheta1lt1. Para un modelo MA (2): -1lttheta2lt1, theta2theta1 gt-1, theta1-theta2 lt 1. Condiciones más complicadas se mantienen para qge3. Una vez más, R se encargará de estas limitaciones al estimar los modelos.
No comments:
Post a Comment