线性时间序列分析（一）
线性时间序列分析（一）
- 自相关系数的检验——混成检验（Portmanteau Test)
Box.test(d3,lag=1,type=“Ljung”) %lag意思为时间间隔或者说是滞后，一般可选用5
Box-Ljung test
data: d3
X-squared = 18.811, df = 1, p-value = 1.444e-05
%接上一篇博客数据集{d3},对其进行混成检验Q(1)，即检验单个自相关函数（ACF），当p-value小于显著性水平时，拒绝原假设H0，即存在序列相关
混成检验：
-
白噪声
如果时间序列{rt}为一个白噪声序列，则意味着其具有优先均值和有限方差的独立同分布随机变量序列。 -
简单的自回归模型-AR模型
ppi=data2[,2]
plot(ppi) %画图（点状图）
p1=as.numeric(data2$ppi) %数据类型转化
m2=ar(p1,method = “mle”) %"mle"最大似然估计找到最优阶数
m2$order %用AIC信息准则估计
[1] 2
n2=arima(p1,order=c(2,0,0)) %检验
n2
Call:
arima(x = p1, order = c(2, 0, 0))
Coefficients:
ar1 ar2 intercept
1.6665 -0.6907 100.5414
s.e. 0.0851 0.0856 1.8929
sigma^2 estimated as 0.1844: log likelihood = -40.29, aic = 88.57
%“intercept” denotes the mean of the series 代表级数的平均？
(1-1.6665+.6907)*100.5414
[1] 2.433102
f1=c(1,-n2$coef[1:2]) %特征方程
roots=polyroot(f1)
roots
[1] 1.119743-0i 1.292972+0i %发现无复特征值，则不存在商业环
Mod(roots) %模
[1] 1.119743 1.292972
- 商业环的平均长度计算
k=2*pi/acos(x1/sqrt(x2)) %随机环平均长度，i=sqrt(-1),假设x2为模长，由于本废柴博主没有找到个合适的数列计算商业环平均长度，先用符号代替一下
k