R语言arima模型时间序列分析报告(附代码数据).pdf
R语言arima模型时间序列分析报告(附
代码数据)
【原创】定制撰写数据分析可视化项目案例调研报告（附
代码数据）
有问题到淘宝找“大数据部落”就可以了
R语言arima模型时间序列分析报告
library(openxlsx)library(openxlsx)
XXX收盘价(元)`
date=data$日期
07-05
#绘制时间序列图
plot(date,timeseries)
timeseriesdiff-diff(timeseries,differences=1)
plot(date[-1],timeseriesdiff)
【原创】定制撰写数据分析可视化项目案例调研报告（附
代码数据）
有问题到淘宝找“大数据部落”就可以了
#时间序列分析之ARIMA模型预测#我们可以通过键入下
面的代码来得到时间序列（数据存于“timeseries”）的一阶差分，
并画出差分序列的图:
#时间序列分析之ARIMA模型预测#从一阶差分的图中可
以看出，数据仍是不平稳的。我们继续差分。【原创】定制撰
写数据分析可视化项目案例调研报告（附代码数据）
有问题到淘宝找“大数据部落”就可以了
#时间序列分析之ARIMA模型预测#二次差分（上面）后
的时间序列在均值和方差上确实看起来像是平稳的，随着时间
推移，时间序列的水平和方差大致保持不变。因此，看起来我
们需要对data进行两次差分以得到平稳序列。#第二步，找到
合适的ARIMA模型#如果你的时间序列是平稳的，或者你通
过做n次差分转化为一个平稳时间序列，接下来就是要选择合
适的ARIMA模型，这意味着需要寻找ARIMA(p,d,q)中合适
的p值和q值。为了得到这些，通常需要检查[平稳时间序列
的（自）相关图和偏相关图。#我们使用R中的“acf()”和“pacf”
函数来分别（自）相关图和偏相关图。“acf()”和“pacf设定
“plot=FALSE”来得到自相关和偏相关的真实值。
acf(na.omit(timeseriesdiff2),lag.max=20)
#时间序列分析之ARIMA模型预测
#自相关图表现滞后1阶自相关值根本没有跨越边界值，
虽然6阶自相关值超越边界，那末极可能属于有时呈现的，而
自相关值在其他上都没有超越显著边界，并且我们可以期望1
到20之间的会偶然超越95%的置信边界。
pacf(na.omit(timeseriesdiff2),lag.max=20)
#偏自相关值选5阶。#故我们的ARMIA模型为armia
（1,2,5）
XXX-arima(timeseries,order=c(5,2,5))
XXX
【原创】定制撰写数据分析可视化项目案例调研报告（附
代码数据）
有问题到淘宝找“大数据部落”就可以了
#偏自相关值选5阶。
##
##Call:
##arima(x=timeseries,order=c(5,2,5))
##
##Coefficients:
##Warninginsqrt(diag(XXX)):产生了NaNs
##ar1ar2ar3ar4ar5ma1ma2ma3
##-0.8663-0.6281-0...0582-0.0862-0.2969-0.0206
XXX
##ma4ma5
##-0.5481-0.0482
##s.e.0.1311NaN
##
##sigma^2estimatedas2672:loglikelihood=-.51,aic=.02##sigma^2estimatedas2672:loglikelihood=-.51,aic=.02
#对沪深300指数