跳到主要内容

R时间序列基础

介绍​

时间序列是按时间顺序排列的一系列数据点。它在金融、经济、气象等领域有着广泛的应用。R语言提供了强大的工具来处理和分析时间序列数据。本文将带你了解如何在R中创建、操作和可视化时间序列数据。

什么是时间序列？​

时间序列是按时间顺序排列的数据点集合。每个数据点通常与一个特定的时间戳相关联。例如，股票价格、气温记录、月度销售额等都是时间序列数据的典型例子。

创建时间序列​

在R中，我们可以使用ts()函数来创建时间序列对象。ts()函数的基本语法如下：

r
ts(data, start, end, frequency)
  • data：包含时间序列数据的向量或矩阵。
  • start：时间序列的起始时间。
  • end：时间序列的结束时间。
  • frequency：时间序列的频率（例如，月度数据为12，季度数据为4）。

示例：创建月度时间序列​

假设我们有以下月度销售额数据：

r
sales <- c(120, 130, 125, 140, 150, 160, 170, 180, 190, 200, 210, 220)

我们可以使用ts()函数将其转换为时间序列对象：

r
sales_ts <- ts(sales, start = c(2023, 1), frequency = 12)
print(sales_ts)

输出：

     Jan Feb Mar Apr May Jun Jul Aug Sep Oct Nov Dec
2023 120 130 125 140 150 160 170 180 190 200 210 220

可视化时间序列​

可视化是理解时间序列数据的重要步骤。R提供了多种绘图函数来可视化时间序列数据，其中最常用的是plot()函数。

示例：绘制时间序列图​

r
plot(sales_ts, main = "月度销售额时间序列", xlab = "时间", ylab = "销售额")
提示

你可以使用ggplot2包来创建更复杂的可视化图表。ggplot2提供了更多的自定义选项和美观的图形。

时间序列的基本操作​

1. 提取子集​

你可以使用window()函数从时间序列中提取特定时间段的数据。

r
sales_subset <- window(sales_ts, start = c(2023, 4), end = c(2023, 8))
print(sales_subset)

输出：

     Apr May Jun Jul Aug
2023 140 150 160 170 180

2. 计算移动平均​

移动平均是平滑时间序列数据的常用方法。你可以使用rollmean()函数（来自zoo包）来计算移动平均。

r
library(zoo)
sales_ma <- rollmean(sales_ts, k = 3)
print(sales_ma)

输出：

     Jan Feb Mar Apr May Jun Jul Aug Sep Oct Nov Dec
2023  NA  NA 125 138.3333 151.6667 165 178.3333 191.6667 205 218.3333  NA  NA
警告

注意：rollmean()函数会忽略前k-1个和后k-1个数据点，因此结果中会有NA值。

实际案例：分析股票价格​

假设我们有一组股票价格数据，我们可以使用时间序列分析来预测未来的价格走势。

r
stock_prices <- c(100, 102, 105, 107, 110, 108, 109, 112, 115, 118, 120, 122)
stock_ts <- ts(stock_prices, start = c(2023, 1), frequency = 12)
plot(stock_ts, main = "股票价格时间序列", xlab = "时间", ylab = "价格")

总结​

本文介绍了R语言中时间序列分析的基础知识，包括如何创建、可视化和操作时间序列数据。通过这些基础操作，你可以开始探索更复杂的时间序列分析方法，如ARIMA模型、季节性分解等。

附加资源​

练习​

  1. 使用ts()函数创建一个季度时间序列，并绘制其图形。
  2. 从你创建的时间序列中提取一个子集，并计算其移动平均。
  3. 尝试使用ggplot2包来可视化你的时间序列数据。
备注

完成练习后，你可以进一步探索R中的高级时间序列分析技术，如ARIMA模型、季节性分解等。