R语言进行简单的时间序列分析

Posted 2021-05-02 临床科研与meta分析

经典的统计分析都假定数据序列具有独立性，而时间序列分析则侧重研究数据序列的互相依赖关系。后者实际上是对离散指标的随机过程的统计分析，所以又可看作是随机过程统计的一个组成部分。

今天我们就使用R语言自带的co2数据集进行简单的时间序列分析演示。

> View(co2)

> class(co2)

[1] "ts"  ##说明为时间序列格式

> plot(co2)

> de_data<-decompose(co2)##进行数据分解，包括三项，分别为趋势项，季节项以及随机项

> plot(de_data)

建立模型之前，需要进行平稳性检验

> library(forecast)

> library(tseries)

> adf.test(co2)

Augmented Dickey-Fuller

Test data:  co2 Dickey-Fuller = -2.8299, Lag order = 7, p-value = 0.2269 alternative hypothesis: stationary ##可以看到P值是0.23，说明数据时稳定的。如果不稳定则需要进行差分。

ARIMA模型：

ARIMA：自回归积分滑动平均模型(Autoregressive Integrated Moving Average Model,简记ARIMA)

ARIMA(P,D,Q)

P：代表自相关的阶数；自相关是前后之前的关联。

D：代表差分的阶数；差分就是上一节课讲到的diff()函数。一阶差分就是diff()一次，二阶差分就是对一阶差分的结果再做一次差分。

Q：代表滑动平均的阶数。

> acf(co2)

> pacf(co2)

> fit<-arima(co2,order = c(1,1,1),seasonal = list(order=c(1,1,1),period=12)) ##构建模型

> co2fit<-forecast(fit,50)##进行未来50进行预测

> plot(co2,col="red")

> par(new=t)

> plot(co2fit)