ar
位于 stats
包(package)。 说明
将自回归时间序列模型拟合到数据,默认情况下选择 AIC 的复杂性。
用法
ar(x, aic = TRUE, order.max = NULL,
method = c("yule-walker", "burg", "ols", "mle", "yw"),
na.action, series, ...)
ar.burg(x, ...)
## Default S3 method:
ar.burg(x, aic = TRUE, order.max = NULL,
na.action = na.fail, demean = TRUE, series,
var.method = 1, ...)
## S3 method for class 'mts'
ar.burg(x, aic = TRUE, order.max = NULL,
na.action = na.fail, demean = TRUE, series,
var.method = 1, ...)
ar.yw(x, ...)
## Default S3 method:
ar.yw(x, aic = TRUE, order.max = NULL,
na.action = na.fail, demean = TRUE, series, ...)
## S3 method for class 'mts'
ar.yw(x, aic = TRUE, order.max = NULL,
na.action = na.fail, demean = TRUE, series,
var.method = 1, ...)
ar.mle(x, aic = TRUE, order.max = NULL, na.action = na.fail,
demean = TRUE, series, ...)
## S3 method for class 'ar'
predict(object, newdata, n.ahead = 1, se.fit = TRUE, ...)
参数
x |
单变量或多变量时间序列。 |
aic |
|
order.max |
要拟合的模型的最大阶数(或阶数)。默认为 |
method |
指定拟合模型方法的字符串。必须是默认参数中的字符串之一(前几个字符就足够了)。默认为 |
na.action |
调用函数来处理缺失值。目前,通过 |
demean |
应该在拟合过程中估计平均值吗? |
series |
该系列的名称。默认为 |
var.method |
估计创新方差的方法(参见“详细信息”)。 |
... |
特定方法的附加参数。 |
object |
来自 |
newdata |
应用预测的数据。 |
n.ahead |
预测的提前步数。 |
se.fit |
逻辑:返回预测误差的估计标准误差? |
细节
为了明确起见,请注意 AR 系数的符号为
ar
只是函数 ar.yw
、 ar.burg
、 ar.ols
和 ar.mle
的包装。
如果 aic
为 true,则订单选择由 AIC 完成。这是有问题的,因为这里的方法中只有 ar.mle
执行真正的最大似然估计。 AIC 的计算方式就像方差估计是 MLE,从似然中省略了行列式项。请注意,这与在估计参数值下评估的高斯似然不同。在 ar.yw
中,创新的方差矩阵是根据 x
的拟合系数和自协方差计算的。
ar.burg
允许两种方法来估计创新方差以及 AIC。方法 1 是使用 Levinson-Durbin 递归给出的更新(Brockwell 和 Davis,1991,第 242 页的(8.2.6)),并遵循 S-PLUS。方法 2 是前向和后向预测误差的平方和的平均值(如 Brockwell 和 Davis,1996 年,第 145 页)。 Percival 和 Walden (1998) 讨论了两者。在多变量情况下,估计系数将(稍微)取决于方差估计方法。
请记住,ar
默认情况下在模型中包含一个常量,方法是在拟合 AR 模型之前删除 x
的总体平均值,或者 ( ar.mle
) 估计要减去的常量。
值
对于 ar
及其方法,类 "ar"
的列表包含以下元素:
order |
拟合模型的顺序。这是通过在 |
ar |
拟合模型的估计自回归系数。 |
var.pred |
预测方差:对时间序列方差中自回归模型无法解释的部分的估计。 |
x.mean |
用于拟合和预测的序列的估计平均值。 |
x.intercept |
(仅限 |
aic |
每个模型与 best-fitting 模型之间 AIC 的差异。请注意,后者的 AIC 可以为 |
n.used |
时间序列中的观测值数量,包括缺失值。 |
n.obs |
时间序列中非缺失观测值的数量。 |
order.max |
|
partialacf |
偏自相关函数的估计滞后 |
resid |
拟合模型的残差,以第一个 |
method |
|
series |
时间序列的名称。 |
frequency |
时间序列的频率。 |
call |
匹配的调用。 |
asy.var.coef |
(单变量情况, |
对于 predict.ar
,预测的时间序列,或者如果 se.fit = TRUE
,则包含组件 pred
的列表(预测)和 se
(估计的标准误差)。两个组成部分都是时间序列。
注意
仅实现ar.mle
的单变量情况。
通过 method="mle"
拟合长序列可能会非常慢。
如果 x
包含缺失值,请参阅 NA
,还可以考虑使用 arima()
,可能与 method = "ML"
一起使用。
例子
ar(lh)
ar(lh, method = "burg")
ar(lh, method = "ols")
ar(lh, FALSE, 4) # fit ar(4)
(sunspot.ar <- ar(sunspot.year))
predict(sunspot.ar, n.ahead = 25)
## try the other methods too
ar(ts.union(BJsales, BJsales.lead))
## Burg is quite different here, as is OLS (see ar.ols)
ar(ts.union(BJsales, BJsales.lead), method = "burg")
作者
Martyn Plummer. Univariate case of ar.yw
, ar.mle
and C code for univariate case of ar.burg
by B. D. Ripley.
参考
Brockwell, P. J. and Davis, R. A. (1991). Time Series and Forecasting Methods, second edition. Springer, New York. Section 11.4.
Brockwell, P. J. and Davis, R. A. (1996). Introduction to Time Series and Forecasting. Springer, New York. Sections 5.1 and 7.6.
Percival, D. P. and Walden, A. T. (1998). Spectral Analysis for Physical Applications. Cambridge University Press.
Whittle, P. (1963). On the fitting of multivariate autoregressions and the approximate canonical factorization of a spectral density matrix. Biometrika, 40, 129-134. doi:10.2307/2333753.
也可以看看
ar.ols
、arima
用于 ARMA 模型; acf2AR
,用于 ACF 的 AR 构建。
arima.sim
用于模拟 AR 过程。
相关用法
- R ar.ols 通过 OLS 将自回归模型拟合到时间序列
- R arima.sim 从 ARIMA 模型进行模拟
- R arima 时间序列的 ARIMA 建模
- R arima0 时间序列的 ARIMA 建模 – 初步版本
- R aggregate 计算数据子集的汇总统计
- R alias 查找模型中的别名(依赖项)
- R anova.glm 广义线性模型拟合的偏差分析
- R anova.mlm 多元线性模型之间的比较
- R addmargins 在多维表或数组上设置任意边距
- R anova 方差分析表
- R asOneSidedFormula 转换为单边公式
- R as.hclust 将对象转换为 hclust 类
- R ansari.test 安萨里-布拉德利检验
- R approxfun 插值函数
- R add1 在模型中添加或删除所有可能的单项
- R acf 自协方差和互协方差以及相关函数估计
- R aov 拟合方差分析模型
- R ave 因子水平组合的组平均值
- R acf2AR 计算精确拟合 ACF 的 AR 过程
- R anova.lm 线性模型拟合的方差分析
- R stlmethods STL 对象的方法
- R medpolish 矩阵的中值波兰(稳健双向分解)
- R naprint 调整缺失值
- R summary.nls 总结非线性最小二乘模型拟合
- R summary.manova 多元方差分析的汇总方法
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 Autoregressive Models to 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。