时间序列分析的适用性？

  • Z时代
  • 2024-01-10
  • 分类：问答

我有一个这样的示例数据帧（日期列格式是mm-dd-YYYY）：时间序列分析的适用性？

date   count  grp 
01-09-2009  54  1 
01-09-2009  100  2 
01-09-2009  546  3 
01-10-2009  67  4 
01-11-2009  80  5 
01-11-2009  45  6

欲使用ts()该数据帧到时间序列进行转换，但问题是：当前数据帧有多个值同一天。我们可以在这种情况下应用时间序列吗？

  • 我可以将数据帧转换为时间序列，并建立一个模型（ARIMA），它可以每天预测计数值吗？

  • 或者我应该根据grp预测计数值，但是在这种情况下，我只能选择grp和count数据帧的列。那么在那种情况下，我必须跳过日期栏，并且不可能每日预测计数值？

  • 假设我想每天累计计数值。我尝试使用聚合函数，但是我们必须指定日期值，但是我有一个非常大的数据集？ r中有其他选项吗？

有人可以建议是否有更好的方法可以遵循吗？我的假设是时间序列预测仅适用于二元数据？这个假设是正确的吗？

回答：

好像有你的问题的两个方面：

我想利用这个ts()数据帧到时间序列进行转换，但 问题是 - 具有相同 多个值当前数据帧日期。我们可以在这种情况下应用时间序列吗？

如果你很高兴利用了xts包的，你可以尝试：

dta2$date <- as.Date(dta2$date, "%d-%m-%Y") 
dtaXTS <- xts::as.xts(dta2[,2:3], dta2$date)

这将导致：

>> head(dtaXTS) 
      count grp 
2009-09-01 54 1 
2009-09-01 100 2 
2009-09-01 546 3 
2009-10-01 67 4 
2009-11-01 80 5 
2009-11-01 45 6
以下类的

：

>> class(dtaXTS) 
[1] "xts" "zoo"

然后，你可以使用你的时间eries对象作为单变量的时间序列，并且是指所选择的变量或者作为多元时间序列，使用PerformanceAnalytics软件包例如：

PerformanceAnalytics::chart.TimeSeries(dtaXTS)

边点

关于第二个问题：

有人可以告诉我什么是更好的方法，我的 假设是时间序列forcast仅适用于二元数据？是 这个假设也对吗？

恕我直言，这是相当广泛的。我建议您使用已创建的xts对象并详细说明要使用的模型，以及为什么，如果它是关于时间序列分析本质的概念性问题，那么您可能更愿意在CrossValidated上发布后续问题。使用所提供的示例dta2 <- read.delim(pipe("pbpaste"), sep = "")：经由

数据来源。

回答：

由于需要每日预测，我们需要汇总为每日。使用最后Note中的DF，使用read.zoo和参数aggregate=sum将前两列数据读入动物园系列z。我们可以选择将其转换为"ts"系列（tser <- as.ts(z)），但对于许多预测功能来说这不是必需的。特别是，检查auto.arima的源代码，我们看到它在进一步处理之前在其输入上运行x <- as.ts(x)。最后运行auto.arima,forecast或其他预测功能。

library(forecast) 
library(zoo) 
z <- read.zoo(DF[1:2], format = "%m-%d-%Y", aggregate = sum) 
auto.arima(z) 
forecast(z)

注：DF给出重复性这里：

Lines <- "date   count  grp 
01-09-2009  54  1 
01-09-2009  100  2 
01-09-2009  546  3 
01-10-2009  67  4 
01-11-2009  80  5 
01-11-2009  45  6" 
DF <- read.table(text = Lines, header = TRUE)

更新：重读问题后的修订。

以上是 时间序列分析的适用性？ 的全部内容， 来源链接： utcz.com/qa/258260.html

回到顶部