Série De Tempo Médio Em Movimento R

Navios base R com muita funcionalidade útil para séries temporais, em particular no pacote de estatísticas. Isso é complementado por muitos pacotes no CRAN, que são resumidamente resumidos abaixo. Existe também uma sobreposição considerável entre as ferramentas para séries temporais e as visualizações da tarefa Econometria e Finanças. Os pacotes nesta exibição podem ser grosseiramente estruturados nos seguintes tópicos. Se você acha que algum pacote está faltando na lista, informe-nos. A infraestrutura . A Base R contém infra-estrutura substancial para representar e analisar dados da série temporal. A classe fundamental é quottsquot que pode representar séries temporais regularmente espaçadas (usando carimbos temporais numéricos). Por isso, é particularmente adequado para dados anuais, mensais, trimestrais, etc. Estatísticas de rolamento. As médias móveis são calculadas por ma da previsão. E rollmean do zoológico. O último também fornece uma função geral. Juntamente com outras funções de estatísticas de rolamento específicas. Roll fornece funções paralelas para calcular estatísticas de rolamento. Gráficos . Os gráficos das séries temporais são obtidos com a trama () aplicada aos objetos ts. (Parcial) as funções de autocorrelação são implementadas em acf () e pacf (). As versões alternativas são fornecidas pelo Acf () e Pacf () na previsão. Juntamente com uma exibição de combinação usando tsdisplay (). O SDD fornece diagramas de dependência em série mais gerais, enquanto dCovTS calcula e traça a covariância da distância e as funções de correlação das séries temporais. As visualizações sazonais são obtidas usando monthplot () em stats e seasonplot na previsão. Wats implementa gráficos de séries temporais envolventes. Ggseas fornece gráficos ggplot2 para séries sazonalmente ajustadas e estatísticas de rolagem. Dygraphs fornece uma interface para a biblioteca de gráficos de séries temporais interactivas Dygraphs. Os gráficos da ZRA prevêem objetos do pacote de previsão usando dígrafos. Os gráficos de fãs básicos das distribuições de previsão são fornecidos por previsão e vars. Os lotes de fãs mais flexíveis de quaisquer distribuições seqüenciais são implementados em fanplot. O quottsquot de classe só pode lidar com selos de tempo numéricos, mas muitas mais classes estão disponíveis para armazenar informações cronometradas e computação com ele. Para obter uma visão geral, consulte R Help Desk: Classes de data e hora em R por Gabor Grothendieck e Thomas Petzoldt em R News 4 (1). 29-32. As classes quotyearmonquot e quotyearqtrquot do zoológico permitem uma computação mais conveniente com observações mensais e trimestrais, respectivamente. Classe quotDatequot do pacote básico é a classe básica para lidar com datas em dados diários. As datas são armazenadas internamente como o número de dias desde 1970-01-01. O pacote cronológico fornece aulas para datas (). Horas () e data-hora (intra-dia) em cronometro (). Não há suporte para fuso horário e horário de verão. Internamente, os objetos quotchronquot são dias (fracionários) desde 1970-01-01. Classes quotPOSIXctquot e quotPOSIXltquot implementar o padrão POSIX para informações de data e hora (intra-dia) e também suportar fusos horários e horário de verão. No entanto, os cálculos do fuso horário exigem algum cuidado e podem ser dependentes do sistema. Internamente, quotPOSIXctquot objetos são o número de segundos desde 1970-01-01 00:00:00 GMT. O pacote lubridate fornece funções que facilitam determinados cálculos baseados em POSIX. A classe quottimeDatequot é fornecida no pacote timeDate (anteriormente: fCalendar). Destina-se a informações de cronograma financeiro e trata de fuso horário e horário de verão através de um novo conceito de quotfinancial centersquot. Internamente, ele armazena todas as informações em quotPOSIXctquot e faz todos os cálculos somente no GMT. Funcionalidade de calendário, e. Incluindo informações sobre fins de semana e feriados para várias bolsas de valores, também estão incluídos. O pacote tis fornece a classe quottiquot para informações cronometradas. A classe quotmondatequot do pacote mondate facilita a computação com datas em termos de meses. O pacote tempdisagg inclui métodos para desagregação temporal e interpolação de séries temporais de baixa freqüência para uma série de freqüências mais altas. A desagregação de séries temporais também é fornecida por tsdisagg2. TimeProjection extrai componentes de tempo útil de um objeto de data, como dia da semana, fim de semana, feriado, dia do mês, etc, e colocá-lo em um quadro de dados. Como mencionado acima, quottsquot é a classe básica para séries de tempo regularmente espaçadas usando selos de tempo numéricos. O pacote do zoológico fornece infra-estrutura para séries temporais regulares e irregulares usando classes arbitrárias para os carimbos de tempo (ou seja, permitindo todas as classes da seção anterior). Ele é projetado para ser o mais consistente possível com quottsot. Coerção de e para quotzooot está disponível para todas as outras classes mencionadas nesta seção. O pacote xts é baseado no zoológico e fornece um tratamento uniforme de Rs diferentes classes de dados baseadas no tempo. Vários pacotes implementam séries temporais irregulares com base em quotPOSIXctot selos de tempo, especialmente para aplicações financeiras. Estes incluem cotações de tseries. E quotftsquot from fts. A classe quottimeSeriesquot em timeSeries (anteriormente: fSeries) implementa séries temporais com quottimeDatequot timbres de tempo. A classe quottisquot in tis implementa séries temporais com selos de tempo quottiquot. O pacote tframe contém infra-estrutura para definir intervalos de tempo em diferentes formatos. Previsão e modelagem univariada O pacote de previsão fornece uma classe e métodos para previsões de séries temporais univariadas e fornece muitas funções implementando diferentes modelos de previsão incluindo todos aqueles no pacote de estatísticas. Suavização exponencial. HoltWinters () em stats fornece alguns modelos básicos com otimização parcial, ets () do pacote de previsão fornece um conjunto maior de modelos e instalações com otimização completa. Robets fornece uma alternativa robusta para a função ets (). Implementa suavemente algumas generalizações de suavização exponencial. O pacote MAPA combina modelos exponenciais de suavização em diferentes níveis de agregação temporal para melhorar a precisão da previsão. O método theta é implementado na função thetaf a partir do pacote de previsão. Uma implementação alternativa e estendida é fornecida em forecTheta. Modelos autoregressivos. Ar () em stats (com seleção de modelo) e FitAR para modelos submarinos AR. Modelos ARIMA. Arima () em stats é a função básica para os modelos ARIMA, SARIMA, ARIMAX e submarino ARIMA. É melhorado no pacote de previsão através da função Arima (), juntamente com auto. arima () para seleção automática de pedidos. Arma () no pacote tseries fornece algoritmos diferentes para ARMA e modelos submarinos ARMA. O FitARMA implementa um algoritmo MLE rápido para modelos ARMA. O pacote gsarima contém funcionalidades para a simulação de séries temporais SARIMA generalizadas. O pacote mar1s lida com AR multiplicativo (1) com processos sazonais. TSTutorial fornece um tutorial interativo para modelagem Box-Jenkins. Os intervalos de previsão aprimorados para ARIMA e os modelos estruturais de séries temporais são fornecidos pelo tsPI. Modelos ARMA periódicos. Pera e peças para modelos de séries temporais autoregressivos periódicos e perARMA para modelagem ARMA periódica e outros procedimentos para análise periódica de séries temporais. Modelos ARFIMA. Algumas instalações para modelos fracionados diferenciados ARFIMA são fornecidos no pacote fracdiff. O pacote arfima possui instalações mais avançadas e gerais para modelos ARFIMA e ARIMA, incluindo modelos de regressão dinâmica (função de transferência). A armaFit () do pacote fArma é uma interface para modelos ARIMA e ARFIMA. Ruído gaussiano fracionário e modelos simples para séries temporais de decaimento hiperbólico são manipulados no pacote FGN. Os modelos de função de transferência são fornecidos pela função arimax no pacote TSA e a função arfima no pacote arfima. A detecção de Outlier após a abordagem Chen-Liu é fornecida por tsoutliers. Os modelos estruturais são implementados em StructTS () em stats, e em stsm e stsm. class. O KFKSDS fornece uma implementação ingênua do filtro de Kalman e suavizantes para modelos de espaço de estados univariados. Os modelos de séries temporais estruturais bayesianos são implementados em séries série temporais não gaussianas podem ser manipuladas com modelos de espaço estadual GLARMA via glarma. E usando modelos Generalized Autoregressive Score no pacote GAS. Modelos de Auto-Regressão Condicionais usando métodos de Probabilidade de Monte Carlo são implementados no mclcar. Modelos GARCH. Garch () de tseries se encaixa modelos básicos do GARCH. Muitas variações nos modelos GARCH são fornecidas pelo rugarch. Outros pacotes Univariados do GARCH incluem o fGarch que implementa modelos ARIMA com uma ampla gama de inovações GARCH. Existem muitos mais pacotes GARCH descritos na visualização de tarefas Financeiras. Os modelos de volatilidade estocástica são tratados por stochvol em uma estrutura bayesiana. Os modelos Count Time Series são manipulados nos pacotes tscount e acp. ZIM fornece modelos Zero-Inflated para séries de tempo de contagem. O tsintermittent implementa vários modelos para análise e previsão de séries temporais de demanda intermitente. As séries temporais censuradas podem ser modeladas usando centavos e carx. Os testes de Portmanteau são fornecidos através de Box. test () no pacote de estatísticas. Testes adicionais são fornecidos por portes e WeightedPortTest. A detecção de ponto de mudança é fornecida em estrutura (usando modelos de regressão linear), na tendência (usando testes não paramétricos) e em wbsts (usando a segmentação binária selvagem). O pacote changepoint fornece muitos métodos de ponto de mudança populares, e ecp detecta não parametrização de ponto de mudança para séries univariadas e multivariadas. A detecção de pontos de mudança on-line para séries temporais univariadas e multivariadas é fornecida por PCP em linha. InspectChangepoint usa projeção esparsa para estimar pontos de mudança em séries temporais de alta dimensão. A imputação da série temporal é fornecida pelo pacote imputeTS. Algumas instalações mais limitadas estão disponíveis usando na. interp () do pacote de previsão. As previsões podem ser combinadas usando o ForecastCombinations que suporta os métodos mais utilizados para combinar as previsões. ForecastHybrid fornece funções para previsões de conjunto, combinando abordagens do pacote de previsão. O GeomComb fornece métodos de combinação de previsão (geométricos) baseados em autovetor, bem como outras abordagens. A ópera possui instalações para previsões on-line com base em combinações de previsões fornecidas pelo usuário. A avaliação da previsão é fornecida na função de precisão () da previsão. A avaliação de previsão distributiva usando regras de pontuação está disponível em scoringRules Miscellaneous. Ltsa contém métodos para análises de séries temporais lineares, timsac para análise e controle de séries temporais e tsbugs para modelos de séries temporais da série BUGS. A estimativa da densidade espectral é fornecida pelo espectro () no pacote de estatísticas, incluindo o periodograma, periodograma suavizado e estimativas AR. A inferência espectral bayesiana é fornecida por bspec. Quantspec inclui métodos para calcular e traçar periodogramas de Laplace para séries temporais univariadas. O periodograma de Lomb-Scargle para séries temporais de amostras de forma desigual é calculado por lomb. O espectro usa transformadas de Fourier e Hilbert para filtragem espectral. Psd produz estimativas de densidade espectral adaptativa, seno-multitaper. O kza fornece filtros adaptáveis ​​Kolmogorov-Zurbenko, incluindo detecção de ruptura, análise espectral, wavelets e transformações de Fourier de KZ. Multitaper também fornece algumas ferramentas de análise espectral multitaper. Métodos Wavelet. O pacote de wavelets inclui filtros de wavelet de computação, transformações wavelet e análises de multiresolução. Métodos wavelet para análise de séries temporais baseadas em Percival e Walden (2000) são dados em wmtsa. WaveletComp fornece algumas ferramentas para a análise baseada em wavelets de séries temporais univariadas e bivariadas, incluindo ondas cruzadas, testes de diferença de fase e significanc. O biwavelet pode ser usado para plotar e calcular os espectros de wavelets, os espectros de onda cruzada e a coerência wavelet de séries temporais não estacionárias. Também inclui funções para agrupar séries temporais com base nas semelhanças (dis) no seu espectro. Os testes de ruído branco usando wavelets são fornecidos pelo teste hwwntest. Mais métodos wavelet podem ser encontrados no pacote brainwaver. Rwt. Wavelim. Wavethresh e mvcwt. A regressão harmônica usando termos de Fourier é implementada no HarmonicRegression. O pacote de previsão também oferece algumas facilidades simples de regressão harmônica através da função fourier. Filtros de decomposição e filtragem e suavização. O filtro () em estatísticas fornece filtragem linear média auto-regressiva e móvel de séries temporais múltiplas univariadas. O pacote robfilter oferece vários filtros robustos de séries temporais, enquanto o mFilter inclui diversos filtros de séries temporais úteis para suavizar e extrair tendências e componentes cíclicos. O pacote liso () do pacote estatístico calcula as Tukeys que executam lubrificantes médios, 3RS3R, 3RSS, 3R, etc. O sleekts calcula o método de suavização duas vezes 4253H. Decomposição. A decomposição sazonal é discutida abaixo. A decomposição baseada em auto-degradação é fornecida pela ArDec. O Rmaf usa um filtro de média móvel refinado para a decomposição. A Análise de Espectro Singular é implementada em métodos Rssa e espectral. A decomposição do modo empírico (EMD) e a análise espectral de Hilbert são fornecidas pela EMD. Ferramentas adicionais, incluindo o conjunto EMD, estão disponíveis em hht. Uma implementação alternativa de EMD de conjunto e sua variante completa estão disponíveis no Rlibeemd. Decomposição sazonal. O pacote de estatísticas fornece decomposição clássica em decomposição (). E decomposição STL em stl (). A decomposição STL melhorada está disponível no stlplus. StR fornece a decomposição Season-Trend baseada em Regressão. X12 fornece um invólucro para os binários X12 que deve ser instalado primeiro. X12GUI fornece uma interface gráfica do usuário para x12. Os binários X-13-ARIMA-SEATS são fornecidos no pacote x13binary, com o fornecimento sazonal de uma interface R e uma visão sazonal fornecendo uma GUI. Análise da sazonalidade. O pacote gratuito fornece métodos para detectar e caracterizar mudanças abruptas na tendência e os componentes sazonais obtidos de uma decomposição. Npst fornece uma generalização do teste de sazonalidade de Hewitts. estação. Análise sazonal de dados de saúde, incluindo modelos de regressão, crossover de caso estratificado no tempo, funções de traçado e verificações residuais. Mares. Análise sazonal e gráficos, especialmente para climatologia. Deseasonalize. Des sazonalidade ideal para séries temporais geofísicas usando o encaixe AR. Stationarity, Unit Roots e Cointegration Stationarity e raízes da unidade. Tseries fornece vários testes de estacionária e raiz unitária, incluindo Augmented Dickey-Fuller, Phillips-Perron e KPSS. Implementações alternativas dos testes ADF e KPSS estão no pacote urca, que também inclui outros métodos, como testes Elliott-Rothenberg-Stock, Schmidt-Phillips e Zivot-Andrews. O pacote fUnitRoots também fornece o teste MacKinnon, enquanto o uroot fornece testes raiz unitários sazonais. O CADFtest fornece implementações do ADF padrão e de um teste ADF covalente (CADF) aumentado. Localidade local. Locits fornece um teste de estacionança local e calcula a autocovariância localizada. A determinação de costereridade de séries temporais é fornecida por costat. LSTS possui funções para análise de séries temporais localmente estacionárias. Os modelos de wavelets estacionariamente locais para séries temporais não estacionárias são implementados em wavethresh (incluindo estimativa, planejamento e funcionalidade de simulação para espectros variando o tempo). Cointegração. O método Engle-Granger de dois passos com o teste de cointegração Phillips-Ouliaris é implementado em tseries e urca. Este último, além disso, contém funcionalidades para os testes Johansen trace e lambda-max. TsDyn fornece o teste de Johansens e seleção simultânea de rank-lag AICBIC. CommonTrend fornece ferramentas para extrair e traçar tendências comuns de um sistema de cointegração. A estimativa de parâmetros e a inferência em uma regressão de cointegração são implementadas em cointReg. Análise não linear da série temporal Autoregressão não linear. Várias formas de autorregressão não-linear estão disponíveis no tsDyn incluindo AR aditivo, redes neurais, modelos SETAR e LSTAR, VAR limiar e VECM. A autoregression da rede neural também é fornecida na GMDH. O BentcableAR implementa a autoregressão Bent-Cable. BAYSTAR fornece análise bayesiana de modelos autoregressivos de limiar. TseriesChaos fornece uma implementação R dos algoritmos do projeto TISEAN. Autoregression Os modelos de mudança Markov são fornecidos em MSwM. Enquanto as misturas dependentes de modelos latentes de Markov são fornecidas em depmix e depmixS4 para séries temporais categóricas e contínuas. Testes. Vários testes de não-linearidade são fornecidos em fNonlinear. Testes de tentativas para a dependência serial não linear com base em métricas de entropia. Funções adicionais para séries temporais não-lineares estão disponíveis em nlts e nonlinearTseries. A modelagem e a análise da série temporal do Fractal são fornecidas pelo fractal. O fractalrock gera séries temporais do fractal com distribuições de retorno não normais. Modelos de regressão dinâmica Modelos dinâmicos lineares. Uma interface conveniente para montar modelos de regressão dinâmica via OLS está disponível no dynlm, uma abordagem aprimorada que também funciona com outras funções de regressão e mais séries de séries temporais são implementadas em dyn. Equações de sistema dinâmico mais avançadas podem ser ajustadas usando dse. Os modelos de espaço de estado linear gaussiano podem ser instalados usando dlm (via máxima verossimilhança, mitigação de filtragem de Kalman e métodos bayesianos), ou usando bsts que usam MCMC. As funções para modelagem não-linear de lagação distribuída são fornecidas em dlnm. Os modelos de parâmetros que variam o tempo podem ser ajustados usando o pacote tpr. OrderLasso se encaixa em um modelo linear esparso com uma restrição de ordem nos coeficientes para lidar com regressores defasados ​​onde os coeficientes se deterioram à medida que o atraso aumenta. A modelagem dinâmica de vários tipos está disponível no dynr, incluindo tempo discreto e contínuo, modelos lineares e não-lineares e diferentes tipos de variáveis ​​latentes. Modelos de séries temporais multivariáveis ​​Os modelos vetoriais (VAR) vetoriais são fornecidos via ar () no pacote de estatísticas básicas, incluindo a seleção de pedidos via AIC. Esses modelos são restritos para serem estacionários. O MTS é um conjunto de ferramentas multifunções para análise de séries temporais multivariadas, incluindo VAR, VARMA, VARMA sazonal, modelos VAR com variáveis ​​exógenas, regressão multivariada com erros de séries temporais e muito mais. Possivelmente, os modelos VAR não estacionários são instalados no pacote mAr, que também permite modelos VAR no espaço do componente principal. Sparsevar permite a estimativa de modelos VAR e VECM escassos, o ecm fornece funções para a construção de modelos VECM, enquanto o BigVAR estima modelos VAR e VARX com penalidades de lasso estruturados. Os modelos e redes VAR automatizados estão disponíveis em autovarCore. Modelos mais elaborados são fornecidos no pacote vars. TsDyn. EstVARXls () em dse. E uma abordagem bayesiana está disponível no MSBVAR. Outra implementação com intervalos de predição inicializados é dada em VAR. etp. MlVAR fornece autoregressão vetorial de vários níveis. VARsignR fornece rotinas para identificar choques estruturais em modelos VAR usando restrições de sinal. O gdpc implementa componentes principais dinâmicos generalizados. Pcdpca estende componentes principais dinâmicos para séries temporais multivariadas correlacionadas periodicamente. Os modelos VARIMA e os modelos espaciais estaduais são fornecidos no pacote dse. EvalEst facilita experimentos de Monte Carlo para avaliar os métodos de estimação associados. Os modelos de correção de erros vetoriais estão disponíveis via urca. Vars e tsDyn, incluindo versões com restrições estruturais e limitações. Análise de componentes da série temporal. A análise de fator de séries temporais é fornecida em tsfa. O ForeCA implementa a análise de componentes para análise, buscando as melhores transformações lineares que tornam uma série de tempo multivariada tão previsível quanto possível. O PCA4TS encontra uma transformação linear de uma série de tempo multivariada que fornece subseries de dimensões baixas que não estão correlacionadas entre si. Os modelos de espaço de estado multivariados são implementados no pacote FKF (Fast Kalman Filter). Isso fornece modelos de espaço de estado relativamente flexíveis através da função fkf (): os parâmetros de espaço de estado podem variar de tempo e as intercepções estão incluídas em ambas as equações. Uma implementação alternativa é fornecida pelo pacote KFAS que fornece um filtro multivariável rápido de Kalman, mais suave, simulação mais suave e previsão. Mais uma implementação é dada no pacote dlm, que também contém ferramentas para converter outros modelos multivariados em forma de espaço de estados. Dlmodeler fornece uma interface unificada para dlm. KFAS e FKF. O MARSS se encaixa modelos de estado-espaço autoregressivo multivariáveis ​​restritos e sem restrições usando um algoritmo EM. Todos esses pacotes assumem que os termos de erro observacional e de estado não estão correlacionados. Os processos de Markov parcialmente observados são uma generalização dos modelos de espaço de estado linear linear multivariável, permitindo modelos não-gaussianos e não-lineares. Estes são implementados no pacote pomp. Os modelos de volatilidade estocástica multivariada (usando fatores latentes) são fornecidos por fatores de volume. Análise de grandes grupos de séries temporais O agrupamento de séries temporais é implementado no TSclust. Dtwclust. BNPTSclust e pdc. TSdist fornece medidas de distância para dados de séries temporais. O jmotif implementa ferramentas baseadas em discretização simbólica de séries temporais para encontrar motivos em séries temporais e facilita a classificação de séries temporais interpretáveis. Rucrdtw fornece ligações R para funções do UCR Suite para permitir a subseqüência ultra-rápida procurar uma melhor combinação em Dynamic Time Warping e Euclidean Distance. Os métodos para traçar e prever coleções de séries temporais hierárquicas e agrupadas são fornecidos por hts. Ladrão usa métodos hierárquicos para conciliar previsões de séries temporais temporariamente agregadas. Uma abordagem alternativa para conciliar as previsões de séries temporais hierárquicas é fornecida pela gtop. Ladrão Modelos de tempo contínuo A modelagem autoregressiva de tempo contínuo é fornecida em cts. Sim. DiffProc simula e modela equações diferenciais estocásticas. A simulação e a inferência para equações diferenciais estocásticas são fornecidas pela sde e yuima. Bootstrapping. O pacote de inicialização fornece a função tsboot () para bootstrapping de séries temporais, incluindo bootstrap de bloco com várias variantes. Tsbootstrap () do tseries oferece bootstrapping rápido e estacionário rápido. O bootstrap máximo de entropia para séries temporais está disponível no meboot. O início do tempo calcula o bootstrap CI para a amostra ACF e periodograma. O BootPR calcula os prontuários corrigidos por polarização e os intervalos de predição do boostrap para séries temporais autorregressivas. Dados de Makridakis, Wheelwright e Hyndman (1998) Previsão: métodos e aplicações são fornecidos no pacote fma. Dados de Hyndman, Koehler, Ord e Snyder (2008) A previsão com suavização exponencial está no pacote expsmooth. Dados de Hyndman e Athanasopoulos (2013) Previsão: princípios e práticas estão no pacote fpp. Os dados da concorrência M e da competição M3 são fornecidos no pacote Mcomp. Os dados da competição M4 são dados em M4comp. Enquanto a Tcomp fornece dados do Concurso de Previsão de Turismo 2010 da IJF. O pdfetch fornece instalações para o download de séries temporais econômicas e financeiras de fontes públicas. Os dados do portal online Quandl para conjuntos de dados financeiros, econômicos e sociais podem ser consultados interativamente usando o pacote Quandl. Os dados do portal online Datamarket podem ser obtidos usando o pacote rdatamarket. Apostas fornece acesso às séries temporais econômicas mais importantes do Brasil. Os dados de Cryer e Chan (2010) estão no pacote TSA. Os dados de Shumway e Stoffer (2011) estão no pacote astsa. Dados de Tsay (2005) A análise das séries temporais financeiras está no pacote FinTS, juntamente com algumas funções e arquivos de script necessários para trabalhar alguns dos exemplos. Tswge acompanha o texto Applied Time Series Analysis with R. 2ª edição de Woodward, Gray e Elliott. TSdbi fornece uma interface comum para bancos de dados de séries temporais. A fama fornece uma interface para bancos de dados de séries temporais FAME AER e Ecdat ambos contêm muitos conjuntos de dados (incluindo dados de séries temporais) de muitos livros de texto de econometria dtw. Algoritmos dinâmicos de distorção do tempo para computar e traçar alinhamentos em pares entre séries temporais. EnsembleBMA. Bayesian Model Modeling para criar previsões probabilísticas a partir de previsões de conjunto e observações meteorológicas. Aviso prévio. Alertas iniciais sinalizam caixa de ferramentas para detectar transições críticas em eventos de séries temporais. Transforma dados de eventos extraídos pela máquina em séries temporais multivariadas agregadas regulares. FeedbackTS. Análise da direcionalidade de tempo fragmentada para investigar feedback em séries temporais. O LPStimeSeries pretende encontrar uma similaridade de padrões quotlearned para séries temporais. O MAR1 fornece ferramentas para a preparação de dados de séries temporais ecológicas da comunidade para modelagem AR multivariada. Redes. Rotinas para a estimativa de redes de correlação parcial esparsas de longo prazo para dados de séries temporais. Paleta. Evolução da modelagem em séries temporais paleontológicas. Pastecs. Regulação, decomposição e análise de séries espaço-tempo. Ptw. Duração do tempo paramétrico. O RGENERATE fornece ferramentas para gerar séries temporais de vetores. RMAWGEN é um conjunto de funções S3 e S4 para geração estocástica espacial multi-site de séries temporais diárias de temperatura e precipitação, utilizando modelos VAR. O pacote pode ser usado em climatologia e hidrologia estatística. RSEIS. Ferramentas sísmicas de análise de séries temporais. Rts. Análise de séries temporais de quadriculação (por exemplo, séries temporais de imagens de satélite). Sae2. Modelos de séries temporais para estimativa de área pequena. SpTimer. Modelagem bayesiana spatio-temporal. vigilância. Modelagem e monitoramento temporário e espacial-temporal de fenômenos epidêmicos. TED. Série de tempo de turbulência Detecção e classificação de eventos. Marés. Funções para calcular características de séries temporais quase periódicas, p. Ex. Observou níveis de água estuarina. tigre. Os grupos temporalmente resolvidos de diferenças típicas (erros) entre duas séries temporais são determinados e visualizados. TSMining. Motivos Univariados e Multivariados de Mineração em Dados da Série do Tempo. TsModel. Modelagem de séries temporais para poluição atmosférica e saúde. Pacotes de CRAN: Links relacionados: gt mav (c (4,5,4,6), 3) Série de tempo: Iniciar 1 Final 4 Frequência 1 1 NA 4.333333 5.000000 NA Aqui eu estava tentando fazer uma média móvel que levava em conta a Últimos 3 números, então eu esperava obter apenas dois números de volta 8211 4.333333 e 5 8211 e se houvesse valores de NA, pensei que eles deveriam estar no início da seqüência. Na verdade, isso é o que o parâmetro 8216sides8217 controla: lados apenas para filtros de convolução. Se os lados 1 os coeficientes de filtro são para valores passados ​​apenas se os lados 2 estiverem centrados em torno de lag 0. Neste caso, o comprimento do filtro deve ser estranho, mas se for uniforme, mais do filtro está em frente do que para trás. Portanto, na nossa função 8216mav8217, a média de rolamento parece ter ambos os lados do valor atual em vez de apenas em valores passados. Nós podemos ajustar isso para obter o comportamento que queremos: gt library (zoo) gt rollmean (c (4,5,4,6), 3) 1 4.333333 5.000000 Eu também percebi que posso listar todas as funções em um pacote com o 8216ls8217 Função, então eu vou estar procurando digitalizar a lista de funções da zoo8217s na próxima vez que eu precisar fazer algumas séries temporais relacionadas 8211 there8217ll provavelmente já é uma função para ela gt ls (quotpackage: zooquot) 1 quotas. Datequot quotas. Date. numericquot quotas. Date. tsquot 4 Quotas. Date. yearmonquot quotas. date. yearqtrquot quotas. yearmonquot 7 quotas. yearmon. defaultquot quotas. yearqtrquot quotas. yearqtr. defaultquot 10 quotas. zooquot quotas. zoo. defaultquot quotas. zooregquot 13 quotas. zooreg. defaultquot quotautoplot. zooquot quotcbind. Zooquot 16 quotcoredataquot quatcoredata. defaultquot quotcoredatalt-quot 19 quotfacetfreequot quotformat. yearqtrquot quotfortify. zooot 22 quotfrequencylt-quet quotifelse. zooot quotindexquot 25 quotindexlt-quotindex2charquot quotis. regularquot 28 quotis. zooquot quotmake. par. listquot q UotMATCHquot 31 quatMATCH. defaultquot quatMATCH. timesquot quimedial. zoootot 34 quotmerge. zooquot quotna. aggregatequot quotna. aggregate. defaultquot 37 quotna. approxquot quotna. approx. defaultquot quotna. fillquot 40 quotna. fill. defaultquot quotna. locfquot quotna. locf. defaultquot 43 Quotna. splinequot quotna. spline. defaultquot quotna. StructTSquot 46 quotna. trimquot quotna. trim. defaultquot quotna. trim. tsquot 49 quotORDERquot quotORDER. defaultquot quotpanel. lines. itsquot 52 quotpanel. lines. tisquot quotpanel. lines. tsquot quotpanel. lines. Zooquot 55 quotpanel. plot. customquot quotpanel. plot. defaultquot quotpanel. points. itsquot 58 quotpanel. points. tisquot quotpanel. points. tsquot quotpanel. points. zooot 61 quotpanel. polygon. itsquot quotpanel. polygon. tisquot quotpanel. polygon. tsquot 64 Quotpanel. polygon. zooquot quotpanel. rect. itsquot quotpanel. rect. tisquot 67 quotpanel. rect. tsquot quotpanel. rect. zooot quotpanel. segments. itsquot 70 quotpanel. segments. tisquot quotpanel. segments. tsquot quotpanel. se Gments. zooot 73 quotpanel. text. itsquot quotpanel. text. tisquot quotpanel. text. tsquot 76 quotpanel. text. zooquot quotplot. zooquot quotquantile. zoootot 79 quotrbind. zooquot quotread. zooquot quotrev. zooot 82 quotrollapplyquot quotrollapplyrquot quotrollmaxquot 85 quotrollmax. defaultquot quotrollmaxrquot quotrollmeanquot 88 quotrollmean. defaultquot quotrollmeanrquot quotrollmedianquot 91 quotrollmedian. defaultquot quotrollmedianrquot quotrollsumquot 94 quotrollsum. defaultquot quotrollsumrquot quotscalexyearmonquot 97 quotscalexyearqtrquot quotscaleyyearmonquot quotscaleyyearqtrquot 100 quotSys. yearmonquot quotSys. yearqtrquot quottimelt-quot 103 quotwrite. zooquot quotxblocksquot quotxblocks. defaultquot 106 quotxtfrm. zooquot quotyearmonquot quotyearmontransquot 109 quotyearqtrquot quotyearqtrtransquot Quotzoootot 112 quotzooregquot Be Sociable, Share2.1 Modelos médios em movimento (modelos MA) Os modelos de séries temporais conhecidos como modelos ARIMA podem incluir termos autorregressivos e termos médios móveis. Na semana 1, aprendemos um termo autorregressivo em um modelo de séries temporais para a variável x t é um valor remanescente de x t. Por exemplo, um termo autorregressivo de lag 1 é x t-1 (multiplicado por um coeficiente). Esta lição define os termos médios móveis. Um termo médio móvel em um modelo de séries temporais é um erro passado (multiplicado por um coeficiente). Deixe (wt overset N (0, sigma2w)), o que significa que o w t é idêntico, distribuído independentemente, cada um com uma distribuição normal com média 0 e a mesma variância. O modelo de média móvel de 1ª ordem, denotado por MA (1) é (xt mu wt theta1w) O modelo de média móvel de 2ª ordem, denotado por MA (2) é (xt mu wt theta1w theta2w) O modelo de média móvel da ordem q , Denotado por MA (q) é (xt mu wt theta1w theta2w dots thetaqw) Nota. Muitos livros didáticos e programas de software definem o modelo com sinais negativos antes dos termos. Isso não altera as propriedades teóricas gerais do modelo, embora ele flip os signos algébricos de valores de coeficientes estimados e termos (desactuados) em fórmulas para ACFs e variâncias. Você precisa verificar seu software para verificar se os sinais negativos ou positivos foram usados ​​para escrever corretamente o modelo estimado. R usa sinais positivos em seu modelo subjacente, como fazemos aqui. Propriedades teóricas de uma série de tempo com um modelo MA (1) Observe que o único valor diferente de zero na ACF teórica é para o atraso 1. Todas as outras autocorrelações são 0. Assim, uma amostra ACF com autocorrelação significativa apenas no intervalo 1 é um indicador de um possível modelo MA (1). Para estudantes interessados, as provas dessas propriedades são um apêndice para este folheto. Exemplo 1 Suponha que um modelo de MA (1) seja x t 10 w t .7 w t-1. Onde (com o excesso de N (0,1)). Assim, o coeficiente 1 0,7. O ACF teórico é dado por um gráfico deste ACF segue. O enredo que acabamos de mostrar é o ACF teórico para um MA (1) com 1 0,7. Na prática, uma amostra geralmente não fornece um padrão tão claro. Usando R, simulamos n 100 valores de amostra usando o modelo x t 10 w t .7 w t-1 onde w t iid N (0,1). Para esta simulação, segue-se um gráfico de séries temporais dos dados da amostra. Não podemos dizer muito dessa trama. A amostra ACF para os dados simulados segue. Vemos um pico no intervalo 1 seguido de valores geralmente não significativos para atrasos após 1. Observe que o ACF de amostra não corresponde ao padrão teórico da MA subjacente (1), que é que todas as autocorrelações por atrasos após 1 serão 0 . Uma amostra diferente teria uma ACF de amostra ligeiramente diferente mostrada abaixo, mas provavelmente teria os mesmos recursos amplos. Propriedades terapêuticas de uma série de tempo com um modelo MA (2) Para o modelo MA (2), as propriedades teóricas são as seguintes: Observe que os únicos valores não nulos no ACF teórico são para atrasos 1 e 2. As autocorrelações para atrasos superiores são 0 . Assim, uma amostra de ACF com autocorrelações significativas nos intervalos 1 e 2, mas as autocorrelações não significativas para atrasos maiores indicam um possível modelo de MA (2). Iid N (0,1). Os coeficientes são de 1 0,5 e 2 0,3. Uma vez que este é um MA (2), o ACF teórico terá valores diferentes de zero apenas nos intervalos 1 e 2. Os valores das duas autocorrelações não-zero são A Um gráfico do ACF teórico segue. Como quase sempre é o caso, os dados da amostra não se comportam tão perfeitamente quanto a teoria. Nós simulamos n 150 valores de amostra para o modelo x t 10 w t .5 w t-1 .3 w t-2. Onde w t iid N (0,1). A série de séries temporais dos dados segue. Tal como acontece com a série de séries temporais para os dados da amostra MA (1), você não pode contar muito com isso. A amostra ACF para os dados simulados segue. O padrão é típico para situações em que um modelo de MA (2) pode ser útil. Existem dois picos estatisticamente significativos nos intervalos 1 e 2 seguidos de valores não significativos para outros atrasos. Observe que, devido ao erro de amostragem, a amostra ACF não corresponde exatamente ao padrão teórico. ACF para General MA (q) Modelos Uma propriedade de modelos de MA (q) em geral é que existem autocorrelações diferentes de zero para os primeiros intervalos de q e autocorrelações 0 para todos os atrasos gt q. Não singularidade de conexão entre valores de 1 e (rho1) em MA (1) Modelo. No modelo MA (1), para qualquer valor de 1. O recíproco 1 1 dá o mesmo valor para Como exemplo, use 0,5 para 1. E depois use 1 (0,5) 2 para 1. Você obterá (rho1) 0.4 em ambos os casos. Para satisfazer uma restrição teórica chamada invertibilidade. Nós restringimos os modelos de MA (1) para ter valores com valor absoluto inferior a 1. No exemplo que acabamos de dar, 1 0.5 será um valor de parâmetro permitido, enquanto que 1 10.5 2 não irá. Invertibilidade de modelos de MA Um modelo de MA é considerado inversível se for algébricamente equivalente a um modelo de AR de ordem infinita convergente. Ao convergir, queremos dizer que os coeficientes de AR diminuem para 0, enquanto nos movemos para trás no tempo. Invertibilidade é uma restrição programada em software de série temporal usado para estimar os coeficientes de modelos com termos MA. Não é algo que buscamos na análise de dados. Informações adicionais sobre a restrição de invertibilidade para modelos MA (1) são apresentadas no apêndice. Nota de teoria avançada. Para um modelo MA (q) com um ACF especificado, existe apenas um modelo inversível. A condição necessária para a invertibilidade é que os coeficientes possuem valores tais que a equação 1- 1 y-. - q e q 0 possui soluções para y que se encontram fora do círculo da unidade. Código R para os Exemplos No Exemplo 1, traçamos o ACF teórico do modelo x t 10 w t. 7w t-1. E depois simulou n 150 valores desse modelo e traçou as séries temporais da amostra e a amostra ACF para os dados simulados. Os comandos R utilizados para traçar o ACF teórico foram: acfma1ARMAacf (mac (0,7), lag. max10) 10 lags de ACF para MA (1) com theta1 0,7 lags0: 10 cria uma variável chamada atrasos que varia de 0 a 10. trama (Lag, acfma1, xlimc (1,10), ylabr, typeh, ACF principal para MA (1) com theta1 0,7) abline (h0) adiciona um eixo horizontal ao gráfico O primeiro comando determina o ACF e o armazena em um objeto Nomeado acfma1 (nossa escolha de nome). O comando de parcela (o comando 3) representa atrasos em relação aos valores ACF para os atrasos 1 a 10. O parâmetro ylab rotula o eixo y e o parâmetro principal coloca um título no gráfico. Para ver os valores numéricos do ACF, use simplesmente o comando acfma1. A simulação e os gráficos foram feitos com os seguintes comandos. Xcarima. sim (n150, list (mac (0.7))) Simula n 150 valores de MA (1) xxc10 acrescenta 10 para fazer a média 10. Padrões de simulação significa 0. plot (x, typeb, mainSimulated MA (1) dados) Acf (x, xlimc (1,10), mainACF para dados de amostra simulados) No Exemplo 2, traçamos o ACF teórico do modelo xt 10 wt .5 w t-1 .3 w t-2. E depois simulou n 150 valores desse modelo e traçou as séries temporais da amostra e a amostra ACF para os dados simulados. Os comandos R utilizados foram acfma2ARMAacf (mac (0.5,0.3), lag. max10) acfma2 lags0: 10 plot (lags, acfma2, xlimc (1,10), ylabr, typeh, ACF principal para MA (2) com theta1 0,5, Theta20.3) abline (h0) xcarima. sim (n150, list (mac (0.5, 0.3))) xxc10 plot (x, typeb, principal Simulated MA (2) Series) acf (x, xlimc (1,10), MainACF para dados simulados de MA (2) Apêndice: Prova de propriedades de MA (1) Para estudantes interessados, aqui estão as provas para propriedades teóricas do modelo MA (1). Variance: (texto (texto) (mu wt theta1 w) Texto de 0 texto (wt) (theta1w) sigma2w theta21sigma2w (1theta21) sigma2w) Quando h 1, a expressão anterior 1 w 2. Para qualquer h 2, a expressão anterior 0 . A razão é que, por definição de independência do peso. E (w k w j) 0 para qualquer k j. Além disso, porque o w t tem 0, E (w j w j) E (w j 2) w 2. Para uma série de tempo, aplique este resultado para obter o ACF fornecido acima. Um modelo de MA reversível é aquele que pode ser escrito como um modelo de AR de ordem infinita que converge para que os coeficientes de AR convergem para 0 à medida que nos movemos infinitamente de volta no tempo. Bem, demonstre invertibilidade para o modelo MA (1). Em seguida, substituímos a relação (2) para w t-1 na equação (1) (3) (zt wt theta1 (z - theta1w) wt theta1z - theta2w) No momento t-2. A equação (2) torna-se então substituímos a relação (4) para w t-2 na equação (3) (zt wt theta1 z - theta21w wt theta1z - theta21 (z - theta1w) wt theta1z - theta12z theta31w) Se continuássemos ( Infinitamente), obteríamos o modelo de AR de ordem infinita (zt wt theta1 z - theta21z theta31z - theta41z dots) Note, no entanto, que se 1 1, os coeficientes que multiplicam os atrasos de z aumentarão (infinitamente) de tamanho à medida que avançarmos Tempo. Para evitar isso, precisamos de 1 lt1. Esta é a condição para um modelo de MA reversível (1). Modelo de ordem infinita MA Na semana 3, veja que um modelo de AR (1) pode ser convertido em um modelo de MA de ordem infinita: (xt - mu wt phi1w phi21w dots phik1 w dots sum phij1w) Este somatório de termos de ruído branco passados ​​é conhecido Como a representação causal de um AR (1). Em outras palavras, x t é um tipo especial de MA com um número infinito de termos que retornam no tempo. Isso é chamado de uma ordem infinita MA ou MA (). Uma ordem finita MA é uma ordem infinita AR e qualquer ordem finita AR é uma ordem infinita MA. Recorde na Semana 1, observamos que um requisito para um AR estacionário (1) é aquele 1 lt1. Vamos calcular o Var (x t) usando a representação causal. Este último passo usa um fato básico sobre séries geométricas que requerem (phi1lt1) caso contrário a série diverge. Navegação