R Ts Gleitender Durchschnitt

Time Series und Prognose R verfügt über umfangreiche Möglichkeiten zur Analyse von Zeitreihendaten. Dieser Abschnitt beschreibt die Erstellung einer Zeitreihe, Saisonzerlegung, Modellierung mit Exponential - und ARIMA-Modellen sowie die Prognose mit dem Prognosepaket. Erstellen einer Zeitreihe Die Funktion ts () konvertiert einen numerischen Vektor in ein R-Zeitreihenobjekt. Das Format ist ts (Vektor, Start, Ende, Häufigkeit), wobei Anfang und Ende die Zeiten der ersten und der letzten Beobachtung sind und die Häufigkeit die Anzahl der Beobachtungen pro Zeiteinheit (1-jährlich, 4-mal, 12-monatlich usw.) ist. (Myvector, startc (2009, 1), endc (2014, 12), frequency12) Teilmenge der Zeitreihe (Juni 2014 bis Dezember 2014) als einen Zeitreihenobjekt myts lt - Dezember 2014) myts2 lt - fenster (myts, startc (2014, 6), endc (2014, 12) Plotserienplots (myts) Saisonale Zersetzung Eine Zeitreihe mit additivem Trend, saisonalen und unregelmäßigen Komponenten kann mit dem stl zerlegt werden () - Funktion. Man beachte, daß eine Reihe mit multiplikativen Effekten oft durch additive Effekte durch eine logarithmische Transformation (d. h. newts lt-log (myts)) in eine Reihe transformiert werden kann. (Myts) Bibliothek (Prognose) Saisonplot (myts) Exponentialmodelle Sowohl die HoltWinters () - Funktion in der Basisinstallation als auch die ets () - Funktion In dem Prognosepaket verwendet werden, um exponentielle Modelle anzupassen. (Myts, gammaFALSE) doppelte exponentielle - Modelle Ebene und Trend passen lt - HoltWinters (myts, gammaFALSE) dreifach exponentielle - Modelle Ebene, Trend und saisonale Komponenten passen lt - HoltWinters (myts) Vorhersage (Fit, 3) Plot (Prognose (Fit, 3)) ARIMA Modelle Die Funktion arima () kann verwendet werden, um eine autoregressive integrierte Bewegung anzupassen Durchschnitts-Modell. Andere nützliche Funktionen umfassen: verzögerte Version von Zeitreihen, verschoben zurück k Beobachtungen Ich habe eine Handlung von Zeitreihen in ggplot2 Paket und ich habe die Moving-Durchschnitt durchgeführt und ich möchte das Ergebnis der gleitenden Durchschnitt auf die Handlung der Zeitreihen hinzufügen. Beispiel des Datensatzes (Seite 31): ambtemp dt -1.14 2007-09-29 00:01:57 -1.12 2007-09-29 00:03:57 -1.33 2007-09-29 00:05:57 -1.44 2007 -09-29 00:07:57 -1.54 2007-09-29 00:09:57 -1.29 2007-09-29 00:11:57 Angewandter Code für die Zeitreihen-Darstellung: Beispiel für Moving-Average-Plot Beispiel für erwartete Ergebnisse Herausforderung ist, dass die Zeitreihendaten aus dem Datensatz erhalten werden, die Zeitstempel und Temperatur enthalten, aber Moving Average Daten beinhalten nur die durchschnittliche Spalte und nicht die Zeitstempel und Anpassen dieser beiden können Inkonsistenz verursachen.