r语言进行arima分析.doc

. .
. v .
R学****日记——时间序列分析之ARIMA模型预测
今天学****ARIMA预测时间序列。
指数平滑法对于预测来说是非常有帮助的，而且它对时间序列上面连续的值之间相关性没有要求。但是，如果你想使用指数平滑法计算出预测区间，那么预测误差必须是不相关的，而且必须是服从零均值、方差不变的正态分布。即使指数平滑法对时间序列连续数值之间相关性没有要求，在某种情况下，我们可以通过考虑数据之间的相关性来创立更好的预测模型。自回归移动平均模型〔 ARIMA〕包含一个确定〔explicit〕的统计模型用于处理时间序列的不规那么局部，它也允许不规那么局部可以自相关。
首先，先确定数据的差分。
ARIMA 模型为平稳时间序列定义的。因此，如果你从一个非平稳的时间序列开场，首先你就需要做时间序列差分直到你得到一个平稳时间序列。如果你必须对时间序列做 d 阶差分才能得到一个平稳序列，那么你就使用ARIMA(p,d,q)模型，其中 d 是差分的阶数。
我们以每年女人裙子边缘的直径做成的时间序列数据为例。从 1866 年到 1911 年在平均值上是不平稳的。随着时间增加，数值变化很大。
> skirts <- scan("robjhyndman./tsdldata/roberts/",skip=5)
Read 46 items
> skirtsts<- ts(skirts,start = c(1866))
> (skirtsts)
. .
. v .
我们可以通过键入下面的代码来得到时间序列〔数据存于“skirtsts〞〕的一阶差分，并画出差分序列的图:
> skirtstsdiff<-diff(skirtsts,differences=1)
> (skirtstsdiff)
从一阶差分的图中可以看出，数据仍是不平稳的。我们继续差分。
> skirtstsdiff2<-diff(skirtsts,differences=2)
> (skirtstsdiff2)
二次差分〔上面〕后的时间序列在均值和方差上确实看起来像是平稳的，随着时间推移，时间序列的水平和方差大致保持不变。因此，看起来我们需要对裙子直径进展两次差分以得到平稳序列。
. .
. v .
第二步，找到适宜的ARIMA模型
如果你的时间序列是平稳的，或者你通过做 n 次差分转化为一个平稳时间序列，接下来就是要选择适宜的 ARIMA模型，这意味