当前位置: 首页>>代码示例 >>用法及示例精选 >>正文


R StructTS 拟合结构时间序列


R语言 StructTS 位于 stats 包(package)。

说明

通过最大似然拟合时间序列的结构模型。

用法

StructTS(x, type = c("level", "trend", "BSM"), init = NULL,
         fixed = NULL, optim.control = NULL)

参数

x

单变量数值时间序列。允许缺失值。

type

结构模型类。如果省略,则 BSM 用于带有 frequency(x) > 1 的时间序列,否则使用局部趋势模型。可以缩写。

init

方差参数的初始值。

fixed

长度与参数总数相同的可选数值向量。如果提供,则只有 fixed 中的 NA 条目会发生变化。可能对于将方差设置为零最有用。

optim.control

optim 的控制参数列表。使用方法"L-BFGS-B"

细节

结构时间序列模型是(单变量)时间序列的(线性高斯)状态空间模型,基于将序列分解为多个分量。它们由一组误差方差指定,其中一些可能为零。

最简单的模型是 type = "level" 指定的局部级模型。它有一个底层 ,它的演变是

观察结果是

有两个参数, 。它是一个 ARIMA(0,1,1) 模型,但对参数集有限制。

局部线性趋势模型 type = "trend" 具有相同的测量方程,但在 的动态中具有 time-varying 斜率,由下式给出

具有三个方差参数。找到 (简化为本地级别模型)或 并不少见,这确保了平滑的趋势。这是受限 ARIMA(0,2,2) 模型。

基本结构模型 type = "BSM" 是带有附加季节性成分的局部趋势模型。因此测量方程为

其中 是具有动态的季节性成分

边界情况 对应于确定性(但任意)的季节性模式。 (这有时称为 BSM 的“虚拟变量”版本。)

"StructTS" 及其组件的列表:

coef

组件的估计方差。

loglik

最大对数似然。请注意,由于所有这些模型都是非平稳的,这包括某些观察的扩散先验,因此无法与 arima 或不同类型的结构模型进行比较。

loglik0

之前使用的常数的最大对数似然R3.0.0,用于向后兼容。

data

时间序列x

residuals

标准化残差。

fitted

具有水平、斜率和季节性分量的一个分量的多个时间序列,同时估计(即在时间 ,而不是在该系列的末尾)。

call

匹配的调用。

series

系列的名称 x

code

optim 返回的 convergence 代码。

model, model0

表示拟合中使用的卡尔曼滤波器的列表。请参阅KalmanLikemodel0 是滤波器的初始状态,model 是滤波器的最终状态。

xtsp

xtsp 属性。

注意

结构模型的优化比许多参考文献承认的要困难得多。例如,Brockwell & Davis (1996) 中考虑了 AirPassengers 数据:他们的解决方案似乎是局部最大值,但远不如 StructTS 产生的拟合效果好。找到一个或多个方差为零的拟合是很常见的,这可以包括

例子

## see also JohnsonJohnson, Nile and AirPassengers
require(graphics)

trees <- window(treering, start = 0)
(fit <- StructTS(trees, type = "level"))
plot(trees)
lines(fitted(fit), col = "green")
tsdiag(fit)

(fit <- StructTS(log10(UKgas), type = "BSM"))
par(mfrow = c(4, 1)) # to give appropriate aspect ratio for next plot.
plot(log10(UKgas))
plot(cbind(fitted(fit), resids=resid(fit)), main = "UK gas consumption")

## keep some parameters fixed; trace optimizer:
StructTS(log10(UKgas), type = "BSM", fixed = c(0.1,0.001,NA,NA),
         optim.control = list(trace = TRUE))

参考

Brockwell, P. J. & Davis, R. A. (1996). Introduction to Time Series and Forecasting. Springer, New York. Sections 8.2 and 8.5.

Durbin, J. and Koopman, S. J. (2001) Time Series Analysis by State Space Methods. Oxford University Press.

Harvey, A. C. (1989) Forecasting, Structural Time Series Models and the Kalman Filter. Cambridge University Press.

Harvey, A. C. (1993) Time Series Models. 2nd Edition, Harvester Wheatsheaf.

也可以看看

KalmanLiketsSmoothstl 用于不同类型的(季节性)分解。

相关用法


注:本文由纯净天空筛选整理自R-devel大神的英文原创作品 Fit Structural Time Series。非经特殊声明,原始代码版权归原作者所有,本译文未经允许或授权,请勿转载或复制。