Moyenne Mobile Dans R Série Temps

Base R dispose de nombreuses fonctionnalités utiles pour les séries chronologiques, en particulier dans le paquet stats. Ceci est complété par de nombreux paquets sur CRAN, qui sont brièvement résumés ci-dessous. Il existe également un chevauchement considérable entre les outils pour les séries chronologiques et ceux des vues de la tâche Économétrie et Finances. Les packages de cette vue peuvent être structurés en gros dans les rubriques suivantes. Si vous pensez que certains paquets sont absents de la liste, s'il vous plaît laissez-nous savoir. Infrastructure . La base R contient une infrastructure importante pour la représentation et l'analyse des données de séries temporelles. La classe fondamentale est quottsquot qui peut représenter des séries temporelles régulièrement espacées (à l'aide de tampons numériques). Par conséquent, il est particulièrement bien adapté pour les données annuelles, mensuelles, trimestrielles, etc. Les moyennes mobiles sont calculées par ma à partir des prévisions. Et rollmean du zoo. Ce dernier fournit également un roulis de fonction générale. Ainsi que d'autres fonctions statistiques spécifiques. Roll fournit des fonctions parallèles pour le calcul des statistiques de roulis. Graphiques. Les parcelles chronologiques sont obtenues avec le tracé () appliqué aux objets ts. (Partiel) Les fonctions de corrélation automatique sont mises en œuvre dans les paquets acf () et pacf (). D'autres versions sont fournies par Acf () et Pacf () dans les prévisions. Ainsi qu'un affichage combiné à l'aide de tsdisplay (). SDD fournit des diagrammes plus généraux de dépendance série, tandis que dCovTS calcule et trame les fonctions de covariance et de corrélation de distance des séries temporelles. Les affichages saisonniers sont obtenus à l'aide de monthplot () en stats et de seasonplot dans les prévisions. Wats met en œuvre des graphiques de séries chronologiques. Ggseas fournit des graphiques ggplot2 pour les séries corrigées des variations saisonnières et les statistiques de laminage. Dygraphs fournit une interface à la bibliothèque de graphiques de séries temporelles interactive de Dygraphs. ZRA tracent des prévisions d'objets à partir du paquet de prévision en utilisant des dygraphes. Les diagrammes de base des distributions des prévisions sont fournis par les prévisions et les vars. Des diagrammes de ventilateurs plus souples de toutes les distributions séquentielles sont implémentés dans le diagramme fanplot. Les quotts ​​de classe ne peuvent traiter qu'avec des horodateurs numériques, mais de nombreuses autres classes sont disponibles pour stocker des informations timedate et calculer avec elle. Pour une vue d'ensemble, voir R Help Desk: Classes de date et heure en R de Gabor Grothendieck et Thomas Petzoldt dans R News 4 (1). 29-32. Les classes quotyearmonquot et quotyearqtrquot du zoo permettent un calcul plus pratique avec des observations mensuelles et trimestrielles, respectivement. La classe quotDatequot du paquet de base est la classe de base pour traiter les dates des données quotidiennes. Les dates sont stockées en interne comme le nombre de jours depuis 1970-01-01. Le paquet chron fournit des classes pour les dates (). Heures () et datetime (intra-jour) en chron (). Il n'y a aucun support pour les fuseaux horaires et l'heure d'été. En interne, les objets quotchronquot sont des jours (fractionnaires) depuis 1970-01-01. Les classes quotPOSIXctquot et quotPOSIXlt implémentent la norme POSIX pour l'information datetime (intra-day) et supportent également les fuseaux horaires et l'heure d'été. Cependant, les calculs de fuseau horaire nécessitent quelques soins et peuvent dépendre du système. En interne, quotPOSIXctquot objets sont le nombre de secondes depuis 1970-01-01 00:00:00 GMT. Le package lubridate fournit des fonctions qui facilitent certains calculs basés sur POSIX. La classe quottimeDatequot est fournie dans le package timeDate (précédemment: fCalendar). Il est destiné à des informations financières chronologiques et traite des fuseaux horaires et des horaires d'épargne-temps via un nouveau concept de centres quotfinanciers. En interne, il stocke toutes les informations dans quotPOSIXctquot et fait tous les calculs en GMT seulement. Fonctionnalité du calendrier, p. Y compris des informations sur les week-ends et les jours fériés pour diverses bourses, est également inclus. Le paquet tis fournit la classe quottiquot pour les informations timedate. La classe quotmondatequot du paquet mondate facilite l'informatique avec des dates en termes de mois. Le paquet tempdisagg comprend des méthodes de désagrégation temporelle et d'interpolation d'une série temporelle basse fréquence à une série de fréquences plus élevées. La désagrégation des séries temporelles est également fournie par tsdisagg2. TimeProjection extrait des composants de temps utiles d'un objet de date, tels que le jour de la semaine, le week-end, les vacances, le jour du mois, etc., et les place dans un cadre de données. Comme mentionné ci-dessus, quottsquot est la classe de base pour les séries chronologiques régulièrement espacées en utilisant des tampons numériques. Le paquet zoo fournit une infrastructure pour des séries temporelles régulièrement et irrégulièrement espacées utilisant des classes arbitraires pour les horodatages (c'est-à-dire permettant à toutes les classes de la section précédente). Il est conçu pour être aussi cohérent que possible avec quottsquot. La coercition de et vers quotzooquot est disponible pour toutes les autres classes mentionnées dans cette section. Le paquetage xts est basé sur zoo et offre une gestion uniforme des Rs différentes classes de données basées sur le temps. Différents paquets implémentent des séries temporelles irrégulières basées sur des marques de temps quotPOSIX, en particulier pour les applications financières. Ceux-ci incluent des citations de tseries. Et quotftsquot de fts. La classe quottimeSeriesquot in timeSeries (précédemment: fSeries) met en œuvre des séries temporelles avec quottimeDatequot horodatages. La classe quottisquot dans tis met en œuvre des séries chronologiques avec des timbres temporels quottiquot. Le paquetage tframe contient une infrastructure pour fixer des délais dans différents formats. Prévision et modélisation univariée Le package de prévision fournit une classe et des méthodes pour les prévisions de séries chronologiques univariées et fournit de nombreuses fonctions implémentant différents modèles de prévision incluant tous ceux du package stats. Lissage exponentiel . HoltWinters () en stats fournit quelques modèles de base avec une optimisation partielle, ets () de l'ensemble de prévisions fournit un plus grand ensemble de modèles et des installations avec une optimisation complète. Robets fournit une alternative robuste à la fonction ets (). Smooth réalise quelques généralisations de lissage exponentiel. Le paquet MAPA combine des modèles de lissage exponentiels à différents niveaux d'agrégation temporelle pour améliorer la précision des prévisions. La méthode theta est implémentée dans la fonction thetaf à partir du paquet prévu. Une implémentation alternative et étendue est fournie dans forecTheta. Modèles autorégressifs. Ar () en stats (avec sélection de modèle) et FitAR pour les modèles AR de sous-ensemble. ARIMA. Arima () en stats est la fonction de base pour les modèles ARIMA, SARIMA, ARIMAX et sous-ensemble ARIMA. Il est amélioré dans le package de prévision via la fonction Arima () avec auto. arima () pour la sélection automatique des commandes. Arma () dans le paquet tseries fournit différents algorithmes pour les modèles ARMA et sous-ensemble ARMA. FitARMA met en œuvre un algorithme rapide MLE pour les modèles ARMA. Le paquet gsarima contient des fonctionnalités pour la simulation temporelle SARIMA généralisée. Le paquet mar1s gère le RA multiplicatif (1) avec les processus saisonniers. TSTutorial fournit un tutoriel interactif pour la modélisation de Box-Jenkins. Des intervalles de prédiction améliorés pour ARIMA et des modèles de séries chronologiques structurelles sont fournis par tsPI. Modèles ARMA périodiques. Pear et partsm pour les modèles périodiques de séries temporelles autorégressives et perARMA pour la modélisation ARMA périodique et d'autres procédures pour l'analyse périodique des séries temporelles. ARFIMA. Certaines installations pour les modèles fractionnaires ARFIMA différenciés sont fournies dans le paquet fracdiff. Le paquet arfima offre des fonctionnalités plus avancées et plus générales pour les modèles ARFIMA et ARIMA, y compris les modèles de régression dynamique (fonction de transfert). ArmaFit () du paquet fArma est une interface pour les modèles ARIMA et ARFIMA. Le bruit Gaussien fractionnaire et les modèles simples pour les séries temporelles de décroissance hyperbolique sont traités dans le paquet FGN. Les modèles de fonction de transfert sont fournis par la fonction arimax dans le paquet TSA et la fonction arfima dans le paquet arfima. La détection des valeurs aberrantes suivant l'approche Chen-Liu est fournie par tsoutliers. Les modèles structurels sont implémentés dans StructTS () en stats, et en stsm et stsm. class. KFKSDS fournit une application naïve du filtre de Kalman et des lisses pour des modèles d'espace d'état univariés. Les modèles bayésiens de séries temporelles structurales sont mis en œuvre en bsts. Les séries temporelles non gaussiennes peuvent être traitées avec des modèles d'états GLARMA par glarma. Et en utilisant des modèles généralisés de score autorégressif dans le package GAS. Les modèles de régression automatique conditionnelle utilisant des méthodes Monte Carlo Likelihood sont mis en œuvre dans mclcar. GARCH. Garch () de tseries s'adapte aux modèles GARCH de base. De nombreuses variantes sur les modèles GARCH sont fournies par rugarch. D'autres paquets GARCH univariés incluent fGarch qui implémente des modèles ARIMA avec une large classe d'innovations GARCH. Il existe plusieurs autres packages GARCH décrits dans la vue des tâches Finances. Les modèles de volatilité stochastique sont traités par stochvol dans un cadre bayésien. Les modèles de séries chronologiques sont traités dans les paquetages tscount et acp. ZIM fournit des modèles zéro-gonflés pour les séries temporelles de comptage. Tsintermittent met en œuvre divers modèles pour analyser et prévoir des séries chronologiques de la demande intermittente. Les séries temporelles censurées peuvent être modélisées à l'aide de cents et de carx. Les tests Portmanteau sont fournis via Box. test () dans le paquet stats. Des tests supplémentaires sont effectués par portes et WeightedPortTest. La détection de points de changement est fournie dans strucchange (en utilisant des modèles de régression linéaire), en tendance (en utilisant des tests non paramétriques) et en wbsts (en utilisant la segmentation binaire sauvage). Le paquet changepoint fournit de nombreuses méthodes de point de changement populaires, et ecp effectue une détection de point de changement non paramétrique pour des séries univariées et multivariées. La détection des points de changement en ligne pour les séries temporelles univariées et multivariées est fournie par le CPD en ligne. InspectChangepoint utilise une projection clairsemée pour estimer les points de changement dans les séries chronologiques de grande dimension. L'imputation des séries temporelles est fournie par le paquet imputeTS. Certaines installations plus limitées sont disponibles à l'aide de na. interp () à partir du package de prévision. Les prévisions peuvent être combinées à l'aide de ForecastCombinations qui prend en charge les méthodes les plus fréquemment utilisées pour combiner les prévisions. ForecastHybrid fournit des fonctions pour les prévisions d'ensemble, combinant les approches de l'ensemble de prévisions. GeomComb fournit des méthodes de combinaison de prévisions basées sur des vecteurs propres (géométriques), ainsi que d'autres approches. Opéra a des facilités pour des prédictions en ligne basées sur des combinaisons de prévisions fournies par l'utilisateur. L'évaluation des prévisions est fournie dans la fonction accuracy () à partir de la prévision. L'évaluation des prévisions de distribution à l'aide de règles de notation est disponible dans scoringRules Miscellaneous. Ltsa contient des méthodes pour l'analyse linéaire des séries temporelles, timsac pour l'analyse et le contrôle des séries temporelles et des tsbugs pour les modèles BUGS de séries chronologiques. L'estimation de la densité spectrale est fournie par le spectre () dans le paquet stats, y compris le périodogramme, le périodogramme lissé et les estimations AR. L'inférence spectrale bayésienne est fournie par bspec. Quantspec comprend des méthodes pour calculer et tracer les périodogrammes de Laplace pour des séries temporelles univariées. Le périodogramme Lomb-Scargle pour les séries chronologiques échantillonnées inégalement est calculé par lomb. Spectre utilise les transformées de Fourier et Hilbert pour le filtrage spectral. Psd produit des estimations adaptatives de densité spectrale sine-multitaper. Kza fournit les filtres adaptatifs Kolmogorov-Zurbenko, y compris la détection de rupture, l'analyse spectrale, les ondelettes et les transformations de Fourier KZ. Multitaper fournit également certains outils d'analyse spectrale multitape. Méthodes d'ondelettes. Le paquet d 'ondelettes comprend le calcul de filtres d' ondelettes, de transformées d 'ondelettes et d' analyses multirésolution. Les méthodes d'ondelettes pour l'analyse des séries chronologiques basées sur Percival et Walden (2000) sont données en wmtsa. WaveletComp fournit quelques outils pour l'analyse à base d'ondelettes de séries temporelles univariées et bivariées incluant des ondelettes croisées, des tests de différence de phase et des tests significatifs. Biwavelet peut être utilisé pour tracer et calculer les spectres d'ondelettes, les spectres d'onde croisée et la cohérence d'ondelettes de séries temporelles non stationnaires. Il comprend également des fonctions de regroupement de séries temporelles basées sur les (dis) similitudes dans leur spectre. Des essais de bruit blanc à l'aide d'ondelettes sont fournis par hwwntest. D'autres méthodes d'ondelettes peuvent être trouvées dans les packages brainwaver. Rwt. Waveslim Wavethresh et mvcwt. La régression harmonique utilisant les termes de Fourier est implémentée dans HarmonicRegression. L'ensemble de prévisions fournit également des fonctions de régression d'harmoniques simples via la fonction fourier. Décomposition et filtrage Filtres et lissage. Filter () en stats fournit un filtrage linéaire moyenne autorégressive et mobile de séries temporelles univariées multiples. Le paquet robfilter fournit plusieurs filtres série chronologiques robustes, tandis que mFilter inclut divers filtres temporels utiles pour lisser et extraire les composantes cycliques et tendances. Smooth () à partir du paquet stats compute Tukeys exécutant smoothers médians, 3RS3R, 3RSS, 3R, etc sleekts calcule la méthode 4253H deux fois lissage. Décomposition. La décomposition saisonnière est discutée ci-dessous. La décomposition auto-régressive est fournie par ArDec. Rmaf utilise un filtre de moyenne mobile raffiné pour la décomposition. L'analyse du spectre singulier est mise en œuvre dans les méthodes Rssa et spectrale. La décomposition en mode empirique (EMD) et l'analyse spectrale de Hilbert sont fournies par EMD. Des outils supplémentaires, y compris l'ensemble EMD, sont disponibles en hht. Une variante de mise en œuvre de l'ensemble EMD et sa variante complète sont disponibles dans Rlibeemd. Décomposition saisonnière. Le paquet stats fournit une décomposition classique en décomposition (). Et la décomposition STL en stl (). La décomposition STL améliorée est disponible en stlplus. StR fournit la décomposition Seasonal-Trend basée sur la régression. X12 fournit une enveloppe pour les binaires X12 qui doivent être installés en premier. X12GUI fournit une interface utilisateur graphique pour x12. Les binaires X-13-ARIMA-SEATS sont fournis dans le paquetage x13binary, avec la saisonnalité d'une interface R. Analyse de la saisonnalité. Le paquet bfast fournit des méthodes pour détecter et caractériser des changements abrupts dans la tendance et les composantes saisonnières obtenues à partir d'une décomposition. Npst fournit une généralisation du test de saisonnalité Hewitts. saison. Analyse saisonnière des données sur la santé, y compris les modèles de régression, le cas croisé du temps stratifié, les fonctions de traçage et les contrôles résiduels. Mers. Analyses saisonnières et graphiques, en particulier pour la climatologie. Désaisonnaliser Désaisonalisation optimale pour les séries chronologiques géophysiques utilisant le montage AR. Stationarité, Racines unitaires et Coïntégration Stationarité et racines unitaires. Tseries fournit divers tests de stationnarité et de racine unitaire, notamment Dickey-Fuller augmenté, Phillips-Perron et KPSS. D'autres implémentations des tests ADF et KPSS sont dans le paquetage urca, qui comprend également d'autres méthodes telles que les tests Elliott-Rothenberg-Stock, Schmidt-Phillips et Zivot-Andrews. Le package fUnitRoots fournit également le test MacKinnon, tandis que uroot fournit des tests de racine unitaire saisonniers. CADFtest fournit des implémentations de l'ADF standard et d'un test ADF (CADF) augmenté en covariable. Stationnarité locale. Locus fournit un test de stationnarité locale et calcule l'autocovariance localisée. La détermination de la détermination de la durée des séries chronologiques est fournie par costat. LSTS a des fonctions pour l'analyse de séries chronologiques localement stationnaires. Des modèles d'ondelettes localement stationnaires pour des séries temporelles non stationnaires sont mis en œuvre en wavethresh (y compris l'estimation, le traçage et la fonctionnalité de simulation pour les spectres variant dans le temps). Cointégration. La méthode en deux étapes Engle-Granger avec le test de cointegration Phillips-Ouliaris est mise en œuvre dans tseries et urca. Ce dernier contient en plus des fonctionnalités pour les tests Johansen trace et lambda-max. TsDyn fournit Johansens test et AICBIC simultanée rank-lag sélection. CommonTrend fournit des outils pour extraire et tracer les tendances communes à partir d'un système de cointegration. L'estimation des paramètres et l'inférence dans une régression cointegrante sont implémentées dans cointReg. Analyse non linéaire des séries temporelles Auto-régression non linéaire. Différentes formes d'autorégression non linéaire sont disponibles dans tsDyn, y compris l'additif AR, les réseaux neuronaux, les modèles SETAR et LSTAR, le seuil VAR et VECM. L'autorégression du réseau neuronal est également fournie dans GMDH. BentcableAR implémente l'autorégression Bent-Cable. BAYSTAR fournit une analyse bayésienne des modèles autorégressifs de seuil. TseriesChaos fournit une implémentation R des algorithmes issus du projet TISEAN. Autoregression Les modèles de commutation Markov sont fournis en MSwM. Tandis que des mélanges dépendants de modèles de Markov latents sont donnés dans depmix et depmixS4 pour des séries temporelles catégoriques et continues. Essais. Différents tests de non-linéarité sont fournis dans fNonlinear. TseriesEntropy teste la dépendance sérielle non linéaire basée sur les métriques d'entropie. Des fonctions supplémentaires pour les séries temporelles non linéaires sont disponibles en nlts et non linéaires. La modélisation et l'analyse des séries chronologiques fractales est fournie par fractale. Fractalrock génère des séries chronologiques fractales avec des distributions de retours non normaux. Modèles de régression dynamique Modèles linéaires dynamiques. Une interface pratique pour l'ajustement de modèles de régression dynamique via OLS est disponible dans dynlm une approche améliorée qui fonctionne également avec d'autres fonctions de régression et plus de classes de séries chronologiques est implémentée en dyn. Des équations de système dynamique plus avancées peuvent être installées en utilisant dse. Les modèles spatiaux linéaires gaussiens peuvent être adaptés à l'aide de dlm (via le maximum de vraisemblance, les méthodes de filtrage de Kalman et les méthodes bayésiennes), ou en utilisant des bsts qui utilisent MCMC. Les fonctions de la modélisation non linéaire à décalage distribué sont fournies en dlnm. Les modèles à paramètres variables dans le temps peuvent être montés à l'aide du paquet tpr. OrderedLasso s'adapte à un modèle linéaire éparse avec une contrainte d'ordre sur les coefficients afin de gérer les régresseurs décalés où les coefficients se décomposent lorsque le retard augmente. La modélisation dynamique de différents types est disponible en dynr, y compris le temps discret et continu, les modèles linéaires et non linéaires et différents types de variables latentes. Modèles multivariables de séries temporelles Les modèles vectoriels autorégressifs (VAR) sont fournis via ar () dans le paquet stats de base, y compris la sélection des commandes via l'AIC. Ces modèles sont limités à être stationnaire. MTS est une boîte à outils polyvalente pour analyser des séries temporelles multivariées incluant VAR, VARMA, VARMA saisonnier, modèles VAR avec variables exogènes, régression multivariée avec erreurs de séries chronologiques et bien plus encore. Des modèles VAR non stationnaires sont éventuellement installés dans le paquet mAr, ce qui permet également aux modèles VAR dans l'espace des composants principaux. Sparsevar permet d'estimer des modèles VAR et VECM épars, ecm fournit des fonctions pour construire des modèles VECM, tandis que BigVAR estime les modèles VAR et VARX avec des pénalités de lasso structurées. Les modèles et réseaux VAR automatisés sont disponibles dans autovarCore. Des modèles plus élaborés sont fournis dans le paquet vars. TsDyn. EstVARXls () dans dse. Et une approche bayésienne est disponible dans MSBVAR. Une autre implémentation avec des intervalles de prédiction bootstrap est donnée dans VAR. etp. MlVAR offre une autorégression vectorielle à plusieurs niveaux. VARsignR fournit des routines pour identifier les chocs structurels dans les modèles VAR utilisant des restrictions de signes. Gdpc implémente des composants principaux dynamiques généralisés. Pcdpca étend les composantes principales dynamiques aux séries temporelles multivariées corrélées périodiquement. Les modèles VARIMA et les modèles d'espace d'état sont fournis dans le package dse. EvalEst facilite les expériences de Monte Carlo pour évaluer les méthodes d'estimation associées. Les modèles de correction d'erreurs vectorielles sont disponibles via l'urca. Vars et tsDyn, y compris les versions avec contraintes structurelles et seuillage. Analyse des composantes des séries temporelles. L'analyse factorielle des séries chronologiques est fournie dans tsfa. ForeCA met en œuvre une analyse des composants pouvant être saisie en recherchant les meilleures transformations linéaires qui rendent une série temporelle multivariée aussi prévisible que possible. PCA4TS trouve une transformation linéaire d'une série temporelle multivariée donnant des sous-séries de dimension inférieure qui ne sont pas corrélées les unes avec les autres. Des modèles d'espace d'états multivariés sont implémentés dans le paquet FKF (Fast Kalman Filter). Cela fournit des modèles d'espace d'état relativement flexibles via la fonction fkf (): les paramètres d'espace d'état peuvent varier dans le temps et les interceptions sont incluses dans les deux équations. Une autre implémentation est fournie par le paquet KFAS qui fournit un filtre multivarié rapide de Kalman, plus lisse, la simulation plus lisse et la prévision. Une autre implémentation est donnée dans le paquet dlm qui contient également des outils pour convertir d'autres modèles multivariés en forme d'espace d'état. Dlmodeler fournit une interface unifiée pour dlm. KFAS et FKF. MARSS s'adapte à des modèles d'états-états autorégressifs multivariés contraints et non contraints à l'aide d'un algorithme EM. Tous ces paquets supposent que les termes d'erreur d'observation et d'état ne sont pas corrélés. Les processus de Markov partiellement observés sont une généralisation des modèles linéaires à états multivariés usuels, permettant des modèles non-Gaussiens et non linéaires. Ceux-ci sont mis en œuvre dans le paquet pompe. Les modèles de volatilité stochastique multivariée (utilisant des facteurs latents) sont fournis par les facteurs tochvol. Analyse de grands groupes de séries chronologiques Le regroupement de séries chronologiques est implémenté dans TSclust. Dtwclust. BNPTSclust et pdc. TSdist fournit des mesures de distance pour les données de séries chronologiques. Jmotif met en œuvre des outils basés sur la discrétisation symbolique de séries chronologiques pour trouver des motifs dans des séries chronologiques et facilite la classification des séries chronologiques interprétables. Les méthodes de traçage et de prévision des collections de séries chronologiques hiérarchisées et groupées sont fournies par hts. Voleur utilise des méthodes hiérarchiques pour concilier les prévisions des séries chronologiques temporellement agrégées. Une autre approche pour concilier les prévisions des séries chronologiques hiérarchiques est fournie par gtop. Voleur Modèles en temps continu La modélisation autorégressive en temps continu est fournie en cts. Sim. DiffProc simule et modélise des équations différentielles stochastiques. La simulation et l'inférence pour les équations différentielles stochastiques sont fournies par sde et yuima. Bootstrapping. Le paquet d'amorçage fournit la fonction tsboot () pour l'amorçage de la série temporelle, y compris le bloc bootstrap avec plusieurs variantes. Tsbootstrap () de tseries fournit un amorçage stationnaire rapide et bloqué. Le bootstrap d'entropie maximum pour les séries chronologiques est disponible dans meboot. Timesboot calcule le CI bootstrap pour l'échantillon ACF et le périodogramme. BootPR calcule les prévisions corrigées par biais et les intervalles de prédiction de boostrap pour les séries temporelles autorégressives. Données de Makridakis, Wheelwright et Hyndman (1998) Prévision: les méthodes et les applications sont fournies dans le paquet fma. Données de Hyndman, Koehler, Ord et Snyder (2008) Les prévisions avec lissage exponentiel sont dans le paquetage expsmooth. Données de Hyndman et Athanasopoulos (2013) Prévision: les principes et la pratique sont dans le paquet fpp. Les données de la compétition M et de la compétition M3 sont fournies dans le package Mcomp. Les données de la compétition M4 sont données en M4comp. Tandis que Tcomp fournit des données du Concours de prévision du tourisme 2010 de la FIJ. Pdfetch fournit des installations pour télécharger des séries chronologiques économiques et financières provenant de sources publiques. Les données du portail Online de Quandl aux ensembles de données financières, économiques et sociales peuvent être interrogées interactivement en utilisant le package Quandl. Les données du portail en ligne Datamarket peuvent être récupérées à l'aide du package rdatamarket. Les données de Cryer et Chan (2010) sont dans le paquet TSA. Les données de Shumway et Stoffer (2011) sont dans le paquet astsa. Données de Tsay (2005) L'analyse des séries chronologiques financières se trouve dans le paquet FinTS, ainsi que certaines fonctions et fichiers de script nécessaires pour travailler certains des exemples. TSdbi fournit une interface commune aux bases de données de séries temporelles. Renommée fournit une interface pour les bases de données de séries chronologiques FAME AER et Ecdat contiennent tous deux de nombreux ensembles de données (y compris des données de séries temporelles) de nombreux manuels économétriques dtw. Algorithmes de déformation temporelle dynamique pour le calcul et le traçage des alignements par paires entre les séries temporelles. EnsembleBMA. Modèle Bayésien Moyenne pour créer des prévisions probabilistes à partir des prévisions d'ensemble et des observations météorologiques. Précoces. Les alertes précoces signalent une boîte à outils pour détecter les transitions critiques dans les événements de séries chronologiques. Transforme les données d'événement extraites par machine en séries temporelles multivariées agrégées régulières. Rétroaction. Analyse de la temporalité fragmentée pour étudier la rétroaction dans les séries temporelles. LPStimeSeries vise à trouver une similitude de modèle quotlearned pour les séries temporelles. MAR1 fournit des outils pour la préparation de données chronologiques de la communauté écologique pour la modélisation multivariée de l'AR. Filets Pour l 'estimation de réseaux de corrélation partielle à courte durée partielle pour les séries chronologiques. PaléoTes. Modélisation de l 'évolution des séries chronologiques paléontologiques. Pastecs. Régulation, décomposition et analyse des séries espace-temps. Ptw. Déformation temporelle paramétrique. RGENERATE fournit des outils pour générer des séries chronologiques vectorielles. RMAWGEN est un ensemble de fonctions S3 et S4 pour la génération stochastique spatiale multi-sites de séries chronologiques journalières de température et de précipitations utilisant des modèles VAR. Le paquet peut être utilisé en climatologie et en hydrologie statistique. RSEIS. Outils sismiques d'analyse de séries temporelles. Rts. Analyse des séries chronologiques (par exemple séries temporelles d'images satellites). Sae2. Modèles de séries temporelles pour une estimation de petite superficie. SpTimer. Modélisation bayésienne spatio-temporelle. surveillance. Modélisation spatio-temporelle et temporelle des phénomènes épidémiques. TED. Séries temporelles de turbulence Détection et classification des événements. Les marées. Fonctions pour calculer les caractéristiques des séries chronologiques quasi périodiques, p. Ex. Observé les niveaux d'eau des estuaires. tigre. On détermine et visualise des groupes de différences typiques (erreurs) temporellement résolus entre deux séries temporelles. TSMining. Motifs univariés et multivariés dans les données de séries chronologiques. TsModel. Modélisation des séries temporelles pour la pollution atmosphérique et la santé. Paquets CRAN: Liens connexes: gt mav (c (4,5,4,6), 3) Séries temporelles: Début 1 Fin 4 Fréquence 1 1 NA 4.333333 5.000000 NA Ici, j'essayais de faire une moyenne mobile qui prenait en compte la Les trois derniers numéros, donc je m'attendais à obtenir seulement deux numéros de retour 8211 4,333333 et 5 8211 et si il y avait des valeurs NA, je pensais qu'ils étaient au début de la séquence. En fait, c'est ce que le paramètre 8216sides8217 contrôle: les côtés pour les filtres de convolution seulement. Si les côtés 1 les coefficients de filtre sont pour des valeurs passées seulement si les côtés 2 ils sont centrés autour du lag 0. Dans ce cas la longueur du filtre devrait être impair, mais si elle est pair, plus du filtre est vers l'avant dans le temps que vers l'arrière. Donc, dans notre fonction 8216mav8217, la moyenne mobile ressemble aux deux côtés de la valeur courante plutôt que juste aux valeurs passées. Nous pouvons tweak cela pour obtenir le comportement que nous voulons: gt bibliothèque (zoo) gt rollmean (c 4,5,4,6), 3) 1 4.333333 5.000000 J'ai également réalisé que je peux énumérer toutes les fonctions dans un paquet avec le 8216ls8217 Fonction donc I8217ll être balayage zoo8217s liste des fonctions la prochaine fois que j'ai besoin de faire quelque chose série de temps liés 8211 there8217ll probablement déjà être une fonction pour elle gt ls (quotpackage: zooquot) 1 quotas. Datequot quotas. Date. numericquot quotas. Date. tsquot 4 Quotas. Date. yearmonquot quotas. Date. yearqtrquot quotas. yearmonquot 7 quotas. yearmon. defaultquot quotas. yearqtrquot quotas. yearqtr. defaultquot 10 quotas. zooquot quotas. zoo. defaultquot quotas. zooregquot 13 quotas. zooreg. defaultquot quotautoplot. zooquot quotcbind. zooquot 16 quotcoredataquot quotcoredata. defaultquot quotcoredatalt-quot 19 quotfacetfreequot quotformat. yearqtrquot quotfortify. zooquot 22 quotfrequencylt-quot quotifelse. zooquot quotindexquot 25 quotindexlt-quot quotindex2charquot quotis. regularquot 28 quotis. zooquot quotmake. par. listquot quotMATCHquot 31 quotMATCH. defaultquot quotMATCH. timesquot Quotmedian. zooquot 34 quotmerge. zooquot quotna. aggregatequot quotna. aggregate. defaultquot 37 quotna. approxquot quotna. approx. defaultquot quotna. fillquot 40 quotna. fill. defaultquot quotna. locfquot quotna. locf. defaultquot 43 quotna. splinequot quotna. spline. defaultquot Quotna. StructTSquot 46 quotna. trimquot quotna. trim. defaultquot quotna. trim. tsquot 49 quotORDERquot quotORDER. defaultquot quotpanel. lines. itsquot 52 quotpanel. lines. tisquot quotpanel. lines. tsquot quotpanel. lines. zooquot 55 quotpanel. plot. customquotquotpanel. plot. defaultquot quotpanel. points. itsquot 58 quotpanel. points. tisquot quotpanel. points. tsquot quotpanel. points. zooquot 61 quotpanel. polygon. itsquot quotpanel. polygon. tisquot quotpanel. polygon. tsquot 64 quotpanel. polygon. zooquot quotpanel. rect Est. quelque. secondaire. secondaire. secondaire. secondes. secondes. secondes. secondes. secondes. secondes. quotpanel. text. tsquot 76 quotpanel. text. zooquot quotplot. zooquot quotquantile. zooquot 79 quotrbind. zooquot quotread. zooquot quotrev. zooquot 82 quotrollapplyquot quotrollapplyrquot quotrollmaxquot 85 quotrollmax. defaultquot quotrollmaxrquot quotrollmeanquot 88 quotrollmean. defaultquot quotrollmeanrquot quotrollmedianquot 91 quotrollmedian. defaultquot quotrollmedianrquot quotrollsumquot 94 quotrollsum. defaultquot quotrollsumrquot quotscalexyearmonquot 97 quotscalexyearqtrquot quotscaleyyearmonquot quotscaleyyearqtrquot 100 quotSys. yearmonquot quotSys. yearqtrquot quottimelt-quot 103 quotwrite. zooquot quotxblocksquot quotxblocks. defaultquot 106 quotxtfrm. zooquot quotyearmonquot quotyearmontransquot 109 quotyearqtrquot quotyearqtrtransquot quotzooquot 112 quotzooregquot Be Sociable, Share