如何在 R 中分析不规则的时间序列
Posted
技术标签:
【中文标题】如何在 R 中分析不规则的时间序列【英文标题】:How to analyse irregular time-series in R 【发布时间】:2012-09-19 08:04:06 【问题描述】:我在 R 中有一个 zoo
时间序列:
d <- structure(c(50912, 50912, 50912, 50912, 50913, 50913, 50914,
50914, 50914, 50915, 50915, 50915, 50916, 50916, 50916, 50917,
50917, 50917, 50918, 50918, 2293.8, 2302.64, 2310.5, 2324.02,
2312.25, 2323.93, 2323.83, 2338.67, 2323.1, 2320.77, 2329.73,
2319.63, 2330.86, 2323.38, 2322.92, 2317.71, 2322.76, 2286.64,
2294.83, 2305.06, 55.9, 62.8, 66.4, 71.9, 59.8, 65.7, 61.9, 67.9,
38.5, 36.7, 43.2, 30.3, 42.4, 33.5, 48.8, 52.7, 61.2, 30, 41.7,
50, 8.6, 9.7, 10.3, 11.1, 9.2, 10.1, 9.6, 10.4, 5.9, 5.6, 6.6,
4.7, 6.5, 5.2, 7.5, 8.1, 9.5, 4.6, 6.4, 7.7, 9.29591864400155,
10.6585128174944, 10.4386464748912, 11.5738448647708, 10.9486074772952,
10.9546547052814, 10.3733963771546, 9.15627378048238, 8.22993822910891,
5.69045896511178, 6.95269658370746, 7.78781665368086, 7.20089569039135,
4.9759716583555, 8.99378907920762, 10.0924594632635, 10.3909638115674,
6.28203685114275, 9.16021859457356, 7.56829801052175, 0.695918644001553,
0.9585128174944, 0.138646474891241, 0.473844864770827, 1.74860747729523,
0.854654705281426, 0.773396377154565, -1.24372621951762, 2.32993822910891,
0.0904589651117833, 0.352696583707458, 3.08781665368086, 0.700895690391349,
-0.224028341644497, 1.49378907920762, 1.99245946326349, 0.890963811567351,
1.68203685114275, 2.76021859457356, -0.131701989478247), .Dim = c(20L,
6L), .Dimnames = list(NULL, c("station_id", "ztd", "zwd", "iwv",
"radiosonde", "error")), index = structure(c(892094400, 892116000,
892137600, 892159200, 892180800, 892245600, 892267200, 892288800,
892332000, 892353600, 892375200, 892418400, 892440000, 892461600,
892504800, 892526400, 892548000, 892591200, 892612800, 892634400
), class = c("POSIXct", "POSIXt")), class = "zoo")
我想执行ts
包允许我执行的一些分析,例如将时间序列分解为趋势和季节性,并查看自相关函数。但是,尝试执行上述任何操作都会导致错误:Error in na.fail.default(as.ts(x)) : missing values in object
。
更深入地研究这一点,似乎所有这些函数都适用于ts
对象,根据定义,这些对象具有规则间隔的观察值。我的观察结果不是这样,所以我最终得到了很多 NA
s 并且一切都失败了。
有没有办法分析 R 中的不规则时间序列?还是我需要以某种方式将它们转换为常规?如果是这样,有没有一种简单的方法可以做到这一点?
【问题讨论】:
【参考方案1】:我过去曾使用加法模型分析过此类不规则数据,以“分解”季节性和趋势成分。由于这是一种基于回归的方法,您需要将残差建模为时间序列过程,以解决残差缺乏独立性的问题。
我使用 mgcv 包进行这些分析。基本上拟合的模型是:
require(mgcv)
require(nlme)
mod <- gamm(response ~ s(dayOfYear, bs = "cc") + s(timeOfSampling), data = foo,
correlation = corCAR1(form = ~ timeOfSampling))
在一年中的某天变量dayOfYear
中拟合循环样条,用于季节性项,趋势由数字变量timeOfSampling
表示。残差在此建模为连续时间 AR(1),使用 timeOfSampling
变量作为 CAR(1) 的时间分量。这假设随着时间间隔的增加,残差之间的相关性呈指数下降。
我已经写了一些关于这些想法的博客文章:
-
Smoothing temporally correlated data
Additive modelling and the HadCRUT3v global mean temperature series
其中包含额外的 R 代码供您遵循。
【讨论】:
Gavin,我想你的意思是 gamm(),而不是 gam()?您自己说过 “mgcv::gam 中没有相关参数,您需要 gamm()。gam() 有一个 ... 参数,我怀疑它正在默默地清理您的相关参数,因此没有错误/警告被提升了。”.我发现here 是的,确实如此。很好发现。我已对答案进行了此更改。以上是关于如何在 R 中分析不规则的时间序列的主要内容,如果未能解决你的问题,请参考以下文章