Base R Schiffe mit viel Funktionalität nützlich für Zeitreihen, insbesondere im Statistik-Paket. Dies wird ergänzt durch viele Pakete auf CRAN, die im Folgenden kurz zusammengefasst werden. Es gibt auch eine beträchtliche Überschneidung zwischen den Tools für Zeitreihen und denen in den Econometrics - und Finanzaufgabenansichten. Die Pakete in dieser Ansicht können grob in die folgenden Themen unterteilt werden. Wenn Sie glauben, dass ein Paket aus der Liste fehlt, lassen Sie es uns bitte wissen. Infrastruktur. Base R enthält eine umfangreiche Infrastruktur zur Darstellung und Analyse von Zeitreihendaten. Die fundamentale Klasse ist quottsquot, die regelmäßig beabstandete Zeitreihen darstellen kann (mit numerischen Zeitstempeln). Daher eignet es sich besonders gut für jährliche, monatliche, vierteljährliche Daten usw. Rolling Statistics. Gleitende Mittelwerte werden von ma aus der Prognose berechnet. Und Rollmean aus dem Zoo. Letzteres bietet auch eine allgemeine Funktion rollapply. Zusammen mit anderen spezifischen rollenden Statistik-Funktionen. Rolle bietet parallele Funktionen für die Berechnung rollender Statistiken. Grafiken. Zeitreihenplots werden mit einer auf ts-Objekten angewandten graphischen Darstellung () erhalten. (Partielle) Autokorrelationsfunktionen werden in acf () und pacf () implementiert. Alternative Versionen werden von Acf () und Pacf () in der Prognose zur Verfügung gestellt. Zusammen mit einer Kombinationsanzeige mit tsdisplay (). SDD liefert allgemeinere serielle Abhängigkeitsdiagramme, während dCovTS die Distanzkovarianz und Korrelationsfunktionen von Zeitreihen berechnet und graphisch darstellt. Saisonale Anzeigen werden mit monthplot () in Statistik und Saisonplot in Prognose erhalten. Wats implementiert Wrap-around-Zeitreihengrafiken. Ggseas bietet ggplot2 Grafiken für saisonbereinigte Serien und rollierende Statistiken. Dygraphs bietet eine Schnittstelle zu der Dygraphs interaktiven Zeitreihen Charting-Bibliothek. ZRA Diagramme Prognose Objekte aus dem Prognosepaket mit Dygraphen. Grundlegende Ventilatordiagramme der Prognoseverteilungen werden durch Prognose und vars zur Verfügung gestellt. In fanplot werden flexiblere Lüfterdiagramme beliebiger sequentieller Distributionen implementiert. Klasse quottsquot kann nur mit numerischen Zeitstempeln umgehen, aber es stehen noch viele weitere Klassen zur Speicherung von Zeit - / Datumsinformationen und deren Berechnung zur Verfügung. Für eine Übersicht siehe R Help Desk: Datum und Uhrzeit Klassen in R von Gabor Grothendieck und Thomas Petzoldt in R News 4 (1). 29-32. Klassen quotyearmonquot und quotyearqtrquot aus dem Zoo erlauben eine bequemere Berechnung mit monatlichen und vierteljährlichen Beobachtungen. Klasse quotDatequot aus dem Basispaket ist die Basisklasse für den Umgang mit Daten in Tagesdaten. Die Daten werden intern als Anzahl der Tage seit 1970-01-01 gespeichert. Das chron-Paket enthält Klassen für Daten (). Stunden () und Datum / Uhrzeit (intra-day) in chron (). Es gibt keine Unterstützung für Zeitzonen und Sommerzeit. Interne Zeitquotquot-Objekte sind (gebrochene) Tage seit 1970-01-01. Die Klassen quotPOSIXctquot und quotPOSIXltquot implementieren den POSIX-Standard für Datum / Uhrzeit (Intra-Tage) und unterstützen Zeitzonen und Sommerzeit. Die Zeitzonenberechnungen erfordern jedoch einige Sorgfalt und können systemabhängig sein. Intern sind quotPOSIXctquot-Objekte die Anzahl der Sekunden seit 1970-01-01 00:00:00 GMT. Paket lubridate bietet Funktionen, die bestimmte POSIX-basierte Berechnungen erleichtern. Die Klasse quottimeDatequot wird im timeDate-Paket (zuvor: fCalendar) bereitgestellt. Es ist auf finanzielle Zeit / Datum Informationen und beschäftigt sich mit Zeitzonen und Sommerzeit Einsparungen über ein neues Konzept der finanziellen Zentren. Intern speichert es alle Informationen in quotPOSIXctquot und alle Berechnungen in GMT nur. Kalenderfunktionalität, z. B. Einschließlich Informationen über Wochenenden und Feiertage für verschiedene Börsen, ist ebenfalls enthalten. Das tis-Paket bietet die Quottiquot-Klasse für Zeit - / Datumsinformationen. Die quotmondatequot-Klasse aus dem Mondate-Paket erleichtert die Berechnung mit Datumsangaben in Monaten. Das Tempdisagg-Paket beinhaltet Methoden zur zeitlichen Disaggregation und Interpolation einer niederfrequenten Zeitreihe zu einer höheren Frequenzreihe. Die Zeitreihe-Disaggregation wird ebenfalls von tsdisagg2 bereitgestellt. TimeProjection entnimmt nützliche Zeitkomponenten eines Datumsobjekts wie Wochentag, Wochenende, Feiertag, Tag des Monats usw. und legt sie in einen Datenrahmen. Wie oben erwähnt, ist quottsquot die Basisklasse für regelmäßig beabstandete Zeitreihen unter Verwendung numerischer Zeitstempel. Das Zoo-Paket bietet eine Infrastruktur für regelmäßig und unregelmäßig beabstandete Zeitreihen unter Verwendung willkürlicher Klassen für die Zeitstempel (d. h., dass alle Klassen des vorherigen Abschnitts erlaubt werden). Es ist so konsequent wie möglich mit quottsquot entworfen. Zwang von und zu quotzooquot ist für alle anderen Klassen verfügbar, die in diesem Abschnitt erwähnt werden. Das Paket xts basiert auf Zoo und bietet eine einheitliche Handhabung von Rs unterschiedlichen zeitbasierten Datenklassen. Verschiedene Pakete implementieren unregelmäßige Zeitreihen auf Basis von quotPOSIXctquot Zeitstempeln, die speziell für Finanzanwendungen entwickelt wurden. Dazu gehören quotitsquot aus seiner. Aus Tseries. Und quotftsquot von fts. Die Klasse quottimeSeriesquot in timeSeries (zuvor: fSeries) implementiert Zeitreihen mit quottimeDatequot Zeitstempeln. Die Klasse quottisquot in tis implementiert Zeitreihen mit Quottiquot-Zeitstempeln. Das Paket tframe enthält eine Infrastruktur zum Festlegen von Zeitrahmen in unterschiedlichen Formaten. Prognose und univariate Modellierung Das Prognosepaket bietet eine Klasse und Methoden für univariate Zeitreihenprognosen und bietet viele Funktionen, die verschiedene Prognosemodelle einschließlich aller im Statistikpaket implementieren. Exponentielle Glättung . HoltWinters () in stats bietet einige grundlegende Modelle mit teilweiser Optimierung, ets () aus dem Prognosepaket bietet eine größere Anzahl von Modellen und Anlagen mit voller Optimierung. Robets bietet eine robuste Alternative zur ets () - Funktion. Glatte implementiert einige Verallgemeinerungen der exponentiellen Glättung. Das MAPA-Paket kombiniert exponentielle Glättungsmodelle auf verschiedenen Ebenen der zeitlichen Aggregation, um die Prognosegenauigkeit zu verbessern. Die Theta-Methode wird in der Thetaf-Funktion aus dem Prognosepaket implementiert. Eine alternative und erweiterte Implementierung wird in forecTheta zur Verfügung gestellt. Autoregressive Modelle. Ar () in stats (mit Modellauswahl) und FitAR für subset AR Modelle. ARIMA-Modelle. Arima () in stats ist die Grundfunktion für ARIMA-, SARIMA-, ARIMAX - und Subset-ARIMA-Modelle. Es wird im Prognosepaket über die Funktion Arima () zusammen mit auto. arima () für die automatische Auftragsauswahl erweitert. Arma () im tseries-Paket bietet verschiedene Algorithmen für ARMA - und Subset-ARMA-Modelle. FitARMA implementiert einen schnellen MLE-Algorithmus für ARMA-Modelle. Paket gsarima enthält Funktionalität für Generalized SARIMA Zeitreihen-Simulation. Das mar1s-Paket behandelt multiplikative AR (1) mit saisonalen Prozessen. TSTutorial bietet ein interaktives Tutorial für Box-Jenkins Modellierung. Verbesserte Vorhersageintervalle für ARIMA und strukturelle Zeitreihenmodelle werden von tsPI bereitgestellt. Periodische ARMA-Modelle. Birne und Partsm für periodische autoregressive Zeitreihenmodelle und perARMA für periodische ARMA-Modellierung und andere Verfahren für periodische Zeitreihenanalyse. ARFIMA-Modelle. Einige Einrichtungen für fraktionierte differenzierte ARFIMA Modelle sind in der Fracdiff Paket zur Verfügung gestellt. Das arfima-Paket verfügt über erweiterte und allgemeine Einrichtungen für ARFIMA - und ARIMA-Modelle, einschließlich dynamischer Regressionsmodelle (Transferfunktion). ArmaFit () aus dem fArma-Paket ist eine Schnittstelle für ARIMA - und ARFIMA-Modelle. Fraktionales Gaußsches Rauschen und einfache Modelle für hyperbolische Zerfallszeitreihen werden im FGN-Paket behandelt. Transfer-Funktionsmodelle werden durch die arimax-Funktion im TSA-Paket und die arfima-Funktion im arfima-Paket zur Verfügung gestellt. Outlier-Erkennung nach dem Chen-Liu-Ansatz wird von tsoutliers zur Verfügung gestellt. Strukturmodelle werden in StructTS () in stats und in stsm und stsm. class implementiert. KFKSDS bietet eine naive Implementierung des Kalman-Filters und der Smoothers für univariate Zustandsraummodelle. Bayessche strukturelle Zeitreihenmodelle werden in bsts implementiert. Nicht-Gaußsche Zeitreihen können mit GLARMA Zustandsraummodellen über glarma abgewickelt werden. Und unter Verwendung von Generalized Autoregressive Score-Modellen im GAS-Paket. Bedingte Auto-Regression Modelle mit Monte Carlo Likelihood Methoden sind in mclcar implementiert. GARCH-Modelle. Garch () von tseries passt grundlegende GARCH Modelle. Viele Varianten der GARCH Modelle werden von rugarch zur Verfügung gestellt. Weitere univariate GARCH-Pakete beinhalten fGarch, das ARIMA-Modelle mit einer breiten Klasse von GARCH-Innovationen implementiert. Es gibt viele weitere GARCH-Pakete, die in der Finanzaufgabenansicht beschrieben werden. Stochastische Volatilitätsmodelle werden von stochvol in einem Bayesschen Rahmen gehandhabt. Zählzeitreihenmodelle werden in den tscount - und acp-Paketen behandelt. ZIM bietet Zero-Inflated Modelle für Zählzeitreihen. Tsintermittent implementiert verschiedene Modelle für die Analyse und Prognose der intermittierenden Nachfrage Zeitreihen. Zensierte Zeitreihen können mit Cents und Carx modelliert werden. Portmanteau-Tests werden über Box. test () im Statistikpaket bereitgestellt. Zusätzliche Tests werden durch Portes und WeightedPortTest gegeben. Die Änderungspunktdetektion wird in strucchange (unter Verwendung linearer Regressionsmodelle), im Trend (unter Verwendung nichtparametrischer Tests) und in wbsts (unter Verwendung der wilden binären Segmentierung) bereitgestellt. Das Changepoint-Paket bietet viele populäre Changepoint-Methoden, und ecp nichtparametrische Changepoint-Erkennung für univariate und multivariate Serien. Die Online-Änderungspunkt-Erkennung für univariate und multivariate Zeitreihen wird von onlineCPD zur Verfügung gestellt. InspectChangepoint verwendet spärliche Projektionen, um Änderungspunkte in hochdimensionalen Zeitreihen abzuschätzen. Die Zeitreihe wird durch das imputeTS-Paket bereitgestellt. Einige wenige begrenzte Einrichtungen sind mit na. interp () aus dem Prognosepaket verfügbar. Prognosen können mit ForecastCombinations kombiniert werden, die die am häufigsten verwendeten Methoden zum Kombinieren von Prognosen unterstützen. PrognoseHybrid stellt Funktionen für Ensemble-Prognosen zur Verfügung und kombiniert Ansätze aus dem Prognosepaket. GeomComb bietet Eigenvektor-basierte (geometrische) Prognose-Kombination Methoden, sowie andere Ansätze. Opera verfügt über Einrichtungen für Online-Vorhersagen auf Kombinationen von Prognosen durch den Benutzer zur Verfügung gestellt. Die Prognoseauswertung wird in der Genauigkeit () - Funktion aus der Prognose bereitgestellt. Die Verteilung der Prognose anhand von Bewertungsregeln ist in scoringRules Miscellaneous verfügbar. Ltsa enthält Methoden zur linearen Zeitreihenanalyse, Timsac zur Zeitreihenanalyse und - steuerung sowie Tsbugs für Zeitreihen-BUGS-Modelle. Die spektrale Dichte Schätzung wird durch Spektrum () in der Statistik-Paket, einschließlich der Periodogramm, geglättet Periodogramm und AR Schätzungen zur Verfügung gestellt. Bayesian spektrale Inferenz wird durch bspec zur Verfügung gestellt. Quantspec enthält Methoden, um Laplace-Periodogramme für univariate Zeitreihen zu berechnen und zu plotten. Das Lomb-Scargle-Periodogramm für ungleichmäßig abgetastete Zeitreihen wird durch Lomb berechnet. Spektrale Verwendungen Fourier - und Hilbert-Transformationen zur spektralen Filterung. Psd erzeugt adaptive Sine-Multitaper-Spektraldichte-Schätzungen. Kza liefert Kolmogorov-Zurbenko Adaptive Filter einschließlich Brucherkennung, Spektralanalyse, Wavelets und KZ Fourier Transformationen. Multitaper bietet auch einige multitaper Spektralanalyse-Tools. Wavelet-Verfahren. Das Wavelet-Paket enthält Rechenwellenfehler, Wavelet-Transformationen und Multiresolution-Analysen. Wavelet-Methoden zur Zeitreihenanalyse auf der Basis von Percival und Walden (2000) sind in wmtsa angegeben. WaveletComp bietet einige Werkzeuge für die Wavelet-basierte Analyse von univariaten und bivariaten Zeitreihen einschließlich Kreuzwellen, Phasendifferenz und Signifikanztests. Biwavelet kann verwendet werden, um die Wavelet-Spektren, die Kreuzwellenspektren und die Wavelet-Kohärenz von nichtstationären Zeitreihen aufzuzeichnen und zu berechnen. Es enthält auch Funktionen zur Cluster-Zeitreihen auf der Grundlage der (dis) Ähnlichkeiten in ihrem Spektrum. Tests von weißem Rauschen mit Wavelets werden von hwwntest zur Verfügung gestellt. Weitere Wavelet-Methoden finden Sie in den Paketen brainwaver. Rwt. Waveslim. Wavethresh und mvcwt. Die harmonische Regression unter Verwendung von Fourier-Terme wird in HarmonicRegression implementiert. Das Prognosepaket bietet auch einige einfache harmonische Regressionsmöglichkeiten über die Fourier-Funktion. Zersetzung und Filterung Filter und Glättung. Filter () in stats liefert eine autoregressive und gleitende mittlere lineare Filterung mehrerer univariate Zeitreihen. Das robfilter-Paket bietet mehrere robuste Zeitreihenfilter, während mFilter diverse Zeitreihenfilter zur Glättung und Extraktion von Trend - und zyklischen Komponenten einsetzt. Glatt () aus dem Statistikpaket berechnet Tukeys laufende Medianglätte, 3RS3R, 3RSS, 3R, etc. sleekts berechnet die 4253H zweimal Glättungsmethode. Zersetzung . Die saisonale Zersetzung wird unten diskutiert. Eine autoregressive Zersetzung wird von ArDec zur Verfügung gestellt. Rmaf verwendet eine verfeinerte gleitende durchschnittliche Filter für die Zersetzung. Singular Spectrum Analysis ist in Rssa und spektrale Methoden implementiert. Empirical Mode Decomposition (EMD) und Hilbert Spektralanalyse wird von EMD zur Verfügung gestellt. Zusätzliche Werkzeuge, einschließlich Ensemble EMD, sind in hht. Eine alternative Implementierung des Ensembles EMD und seiner kompletten Variante gibt es in Rlibeemd. Saisonale Zersetzung. Das stats-Paket bietet eine klassische Zerlegung in decompose (). Und STL-Zerlegung in stl (). Verbesserte STL Zersetzung ist verfügbar in stlplus. StR liefert saisonale Trendzerlegung basierend auf Regression. X12 bietet einen Wrapper für die X12-Binärdateien, die zuerst installiert werden müssen. X12GUI bietet eine grafische Benutzeroberfläche für x12. X-13-ARIMA-SEATS-Binärdateien werden im x13binary-Paket bereitgestellt, wobei saisonal eine R-Schnittstelle bereitgestellt wird. Analyse der Saisonalität. Bietet das bfast-Paket Methoden zur Erkennung und Charakterisierung abrupter Veränderungen innerhalb der Trend - und Saisonkomponenten aus einer Zersetzung. Npst liefert eine Verallgemeinerung des Hewitts-Saisonalitätstests. Jahreszeit. Saisonanalyse von Gesundheitsdaten inklusive Regressionsmodellen, zeitgesteuerter Fallüberkreuzung, Plotterfunktionen und Restprüfungen. Meere Saisonanalyse und Grafik, speziell für Klimatologie. Entschärfen Optimale Entmischung für geophysikalische Zeitreihen mit AR-Armatur. Stationarität, Einheitswurzeln und Kointegration Stationarität und Einheitswurzeln. Tseries bietet verschiedene Stationarität und Einheit Wurzeltests einschließlich Augmented Dickey-Fuller, Phillips-Perron und KPSS. Alternative Implementierungen der ADF - und KPSS-Tests liegen im urca-Paket vor, zu dem auch weitere Methoden wie Elliott-Rothenberg-Stock, Schmidt-Phillips und Zivot-Andrews gehören. Das fUnitRoots-Paket bietet auch den MacKinnon-Test, während uroot saisonale Einheitstesttests anbietet. CADFtest bietet Implementierungen sowohl des Standard-ADF als auch eines kovariate-erweiterten ADF (CADF-Tests). Lokale Stationarität. Locits liefert einen Test der lokalen Stationarität und berechnet die lokalisierte Autokovarianz. Die Ermittlung der Zeitreihen costationarity erfolgt durch costat. LSTS hat Funktionen zur lokal stationären Zeitreihenanalyse. Lokal stationäre Wavelet-Modelle für nichtstationäre Zeitreihen werden in Wavethresh implementiert (inklusive Schätz-, Plot - und Simulationsfunktionalität für zeitvariable Spektren). Kointegration. Das Engle-Granger zweistufige Verfahren mit dem Phillips-Ouliaris-Kointegrationstest ist in tseries und urca implementiert. Letztere enthält zusätzlich Funktionalität für die Johansen-Trace - und Lambda-Max-Tests. TsDyn bietet Johansens-Test und AIC / BIC gleichzeitige Rank-Lag-Auswahl. CommonTrend bietet Tools zur Extraktion und Darstellung gemeinsamer Trends aus einem Kointegrationssystem. Parameterschätzung und Schlussfolgerung in einer Kointegrationsregression werden in cointReg implementiert. Nichtlineare Zeitreihenanalyse Nichtlineare Autoregression. Verschiedene Formen der nichtlinearen Autoregression sind in tsDyn einschließlich additive AR, neuronale Netze, SETAR und LSTAR Modelle, Schwelle VAR und VECM. Neuronale Netzwerk-Autoregression ist auch in GMDH zur Verfügung gestellt. BentcableAR implementiert die Bent-Cable-Autoregression. BAYSTAR bietet Bayessche Analyse von autoregressiven Schwellenmodellen. TseriesChaos stellt eine R-Implementierung der Algorithmen aus dem TISEAN-Projekt zur Verfügung. Autoregression Markov Switching-Modelle werden in MSwM zur Verfügung gestellt. Während abhängige Gemische von latenten Markov-Modellen in Depermix und DepmixS4 für kategorische und kontinuierliche Zeitreihen gegeben sind. Prüfungen. Verschiedene Tests für Nichtlinearität werden in fNonlinear zur Verfügung gestellt. TseriesEntropy Tests für nichtlineare serielle Abhängigkeit auf Entropie Metriken. Zusätzliche Funktionen für nichtlineare Zeitreihen sind in nlts und nonlinearTseries verfügbar. Fraktale Zeitreihenmodellierung und - analyse wird von Fractal zur Verfügung gestellt. Fractalrock erzeugt fraktale Zeitreihen mit nicht-normalen Renditeverteilungen. Dynamische Regressionsmodelle Dynamische lineare Modelle. Eine komfortable Schnittstelle zur Anpassung dynamischer Regressionsmodelle über OLS steht in dynlm zur Verfügung, ein erweiterter Ansatz, der auch mit anderen Regressionsfunktionen arbeitet und mehrere Zeitreihenklassen in dyn implementiert sind. Erweiterte dynamische Systemgleichungen können mit dse angepasst werden. Gaußsche lineare Zustandsraummodelle können mit dlm (über maximale Wahrscheinlichkeit, Kalman-Filterung / Glättung und Bayessche Verfahren) oder mit bsts, die MCMC verwendet, eingebaut werden. Funktionen für die verzögerte nichtlineare Modellierung werden in dlnm zur Verfügung gestellt. Mit der tpr-Baugruppe können zeitvariable Parametermodelle eingebaut werden. BestelltLasso passt zu einem spärlichen linearen Modell mit einer Auftragsbeschränkung auf die Koeffizienten, um verzögerte Regressoren zu behandeln, wo die Koeffizienten abnehmen, wenn die Verzögerung zunimmt. Dynamische Modellierung von verschiedenen Arten ist verfügbar in dynr einschließlich diskrete und kontinuierliche Zeit, lineare und nichtlineare Modelle und verschiedene Arten von latenten Variablen. Multivariate Zeitreihenmodelle Vector autoregressive (VAR) Modelle werden über ar () im Basisstatistikpaket inklusive der Auftragsauswahl über den AIC zur Verfügung gestellt. Diese Modelle sind auf Stillstand beschränkt. MTS ist ein Allzweck-Toolkit für die Analyse multivariater Zeitreihen einschließlich VAR, VARMA, saisonale VARMA, VAR-Modelle mit exogenen Variablen, multivariate Regression mit Zeitreihenfehlern und vieles mehr. Eventuell sind nicht stationäre VAR-Modelle im mAr-Paket eingebaut, was auch VAR-Modelle im Hauptkomponentenraum erlaubt. Sparsevar ermöglicht die Schätzung von spärlichen VAR - und VECM-Modellen, ecm bietet Funktionen für den Aufbau von VECM-Modellen, während BigVAR VAR - und VARX-Modelle mit strukturierten Lasso-Strafen schätzt. Automatisierte VAR-Modelle und Netzwerke sind in autovarCore verfügbar. Ausführlichere Modelle werden im Paket Vars zur Verfügung gestellt. TsDyn. EstVARXls () in dse. Und ein Bayes'scher Ansatz ist in MSBVAR verfügbar. Eine weitere Implementierung mit bootstrapierten Vorhersageintervallen ist in VAR. etp angegeben. MlVAR bietet mehrstufige Vektorautoregression. VARsignR liefert Routinen zur Erkennung struktureller Stöße in VAR-Modellen unter Verwendung von Beschränkungen. Gdpc implementiert generalisierte dynamische Hauptkomponenten. Pcdpca erweitert dynamische Hauptkomponenten zu periodisch korrelierten multivariaten Zeitreihen. VARIMA-Modelle und Zustandsraummodelle sind im dse-Paket enthalten. EvalEst erleichtert Monte-Carlo-Experimente zur Bewertung der zugehörigen Schätzmethoden. Vektor-Fehlerkorrekturmodelle sind über die urca verfügbar. Vars und tsDyn-Pakete, einschließlich Versionen mit strukturellen Einschränkungen und Schwellenwert. Zeitreihen-Komponentenanalyse. Die Zeitreihenfaktoranalyse wird in tsfa bereitgestellt. ForeCA implementiert eine prognostizierbare Komponentenanalyse durch die Suche nach den besten linearen Transformationen, die eine multivariate Zeitreihe so prognostizierbar wie möglich machen. PCA4TS findet eine lineare Transformation einer multivariaten Zeitreihe, die niedrigdimensionale Teilserie liefert, die nicht korreliert sind. Multivariate Zustandsraummodelle sind im FKF-Paket (Fast Kalman Filter) implementiert. Dies stellt relativ flexible Zustandsraummodelle über die fkf () - Funktion bereit: Zustandsraumparameter können zeitveränderlich sein und Abschnitte sind in beiden Gleichungen enthalten. Eine alternative Implementierung wird durch das KFAS-Paket zur Verfügung gestellt, das einen schnellen multivariaten Kalman-Filter, eine glattere, Simulations-glattere und eine Prognose bereitstellt. Eine weitere Implementierung ist im dlm-Paket enthalten, das auch Werkzeuge für die Umwandlung anderer multivariater Modelle in die Zustandsraumform enthält. Dlmodeler stellt eine einheitliche Schnittstelle für dlm zur Verfügung. KFAS und FKF. MARSS passt beschränkte und unbeschränkte multivariate autoregressive Zustandsraummodelle unter Verwendung eines EM-Algorithmus. Alle diese Pakete gehen davon aus, dass die Beobachtungs - und Zustandsfehlerterme nicht korreliert sind. Teilweise beobachtete Markoff-Prozesse sind eine Verallgemeinerung der üblichen linearen multivariaten Zustandsraummodelle, die nicht-Gaußsche und nichtlineare Modelle zulassen. Diese werden im Pomp-Paket implementiert. Multivariate stochastische Volatilitätsmodelle (mit latenten Faktoren) werden von factorstochvol zur Verfügung gestellt. Analyse von großen Gruppen von Zeitreihen Zeitreihen-Clustering ist in TSclust implementiert. Dtwclust. BNPTSclust und pdc. TSdist liefert Abstandsmessungen für Zeitreihendaten. Jmotif implementiert Werkzeuge basierend auf Zeitreihen symbolische Diskretisierung für die Suche nach Motiven in Zeitreihen und erleichtert interpretierbare Zeitreihen Klassifizierung. Methoden zur Plotterung und Prognose von Sammlungen von hierarchischen und gruppierten Zeitreihen werden von hts zur Verfügung gestellt. Diebe verwendet hierarchische Methoden, um Prognosen zeitlich aggregierter Zeitreihen miteinander in Einklang zu bringen. Ein alternativer Ansatz zur Abstimmung von Prognosen hierarchischer Zeitreihen wird durch gtop zur Verfügung gestellt. Diebe Kontinuierliche Zeitmodelle Die kontinuierliche Zeitautoregressive Modellierung wird in cts zur Verfügung gestellt. Sim. DiffProc simuliert und modelliert stochastische Differentialgleichungen. Simulation und Schlußfolgerung für stochastische Differentialgleichungen werden von sde und yuima geliefert. Bootstrapping. Das Boot-Paket bietet die Funktion tsboot () für das Zeitreihen-Bootstrapping, einschließlich Block-Bootstrap mit mehreren Varianten. Tsbootstrap () von tseries bietet schnelle stationäre und Block-Bootstrapping. Der maximale Entropie-Bootstrap für Zeitreihen ist in meboot verfügbar. Timesboot berechnet die Bootstrap-CI für das Beispiel-ACF und das Periodogramm. BootPR berechnet bias-korrigierte Prognose - und Boostrap-Vorhersageintervalle für autoregressive Zeitreihen. Daten von Makridakis, Wheelwright und Hyndman (1998) Prognose: Methoden und Anwendungen werden im fma-Paket zur Verfügung gestellt. Daten von Hyndman, Koehler, Ord und Snyder (2008) Prognose mit exponentieller Glättung sind im expsmooth Paket. Daten von Hyndman und Athanasopoulos (2013) Prognose: Prinzipien und Praxis befinden sich im fpp-Paket. Die Daten des M-Wettbewerbs und des M3-Wettbewerbs sind im Mcomp-Paket enthalten. Die Daten des M4-Wettbewerbs werden in M4comp angegeben. Während Tcomp Daten vom 2010 IJF Tourismus-Vorhersage-Wettbewerb liefert. Pdfetch bietet die Möglichkeit, wirtschaftliche und finanzielle Zeitreihen aus öffentlichen Quellen herunterzuladen. Über das Quandl-Paket können Daten aus dem Quandl-Onlineportal in finanzielle, ökonomische und soziale Datenbestände interaktiv abgefragt werden. Daten aus dem Online-Portal Datamarket können mit dem Paket rdatamarket abgerufen werden. Die Daten von Cryer und Chan (2010) befinden sich im TSA-Paket. Daten von Shumway und Stoffer (2011) sind im astsa Paket. Daten aus Tsay (2005) Analyse der finanziellen Zeitreihen sind im FinTS-Paket zusammen mit einigen Funktionen und Skript-Dateien erforderlich, um einige der Beispiele zu bearbeiten. TSdbi bietet eine gemeinsame Schnittstelle zu Zeitreihen-Datenbanken. Fame bietet eine Schnittstelle für FAME-Zeitreihendatenbanken AER und Ecdat enthalten viele Datensätze (einschließlich Zeitreihendaten) aus vielen Ökonometrie-Textbüchern dtw. Dynamische Zeitverzerrungsalgorithmen zum Berechnen und Plotten von paarweisen Ausrichtungen zwischen Zeitreihen. EnsembleBMA. Bayes-Modell-Mittelwertbildung zur Erzeugung probabilistischer Prognosen aus Ensemble-Prognosen und Wetterbeobachtungen. Frühwarnungen. Frühwarnungen signalisieren Werkzeugkasten für die Erfassung kritischer Übergänge in Zeitreihenereignissen. Wendet maschinell extrahierte Ereignisdaten in regelmäßige aggregierte multivariate Zeitreihen um. Rückgespräche. Analyse der fragmentierten Zeitrichtungsabhängigkeit, um Rückkopplungen in Zeitreihen zu untersuchen. LPStimeSeries zielt darauf ab, für die Zeitreihenanalyse ähnliche Ähnlichkeitsquoten zu finden. MAR1 bietet Werkzeuge zur Vorbereitung ökologischer Zeitreihendaten für die multivariate AR-Modellierung. Netzwerke. Routinen zur Schätzung von spärlichen Langzeit-Teilkorrelationsnetzwerken für Zeitreihendaten. PaleoTS. Modellierung der Evolution in paläontologischen Zeitreihen. Pastecs. Regulation, Zerlegung und Analyse von Raum-Zeit-Reihen. Ptw. Parametrische Zeitverzerrung. RGENERATE bietet Werkzeuge zur Erzeugung von Vektor-Zeitreihen. RMAWGEN ist ein Satz von S3- und S4-Funktionen für die räumliche mehrstufige stochastische Erzeugung von täglichen Zeitreihen von Temperatur und Niederschlag unter Verwendung von VAR-Modellen. Das Paket kann in der Klimatologie und der statistischen Hydrologie verwendet werden. RSEIS. Seismische Zeitreihenanalyse-Werkzeuge. Rts Rasterzeitreihenanalyse (z. B. Zeitreihen von Satellitenbildern). Sae2 Zeitreihenmodelle für kleine Flächenschätzungen. SpTimer. Räumlich-zeitliche Bayessche Modellierung. Überwachung. Zeitliche und räumlich-zeitliche Modellierung und Überwachung epidemischer Phänomene. Ted Turbulenz Zeitreihe Ereignis Erkennung und Klassifizierung. Gezeiten. Funktionen zum Berechnen der Charakteristiken von quasi periodischen Zeitreihen, z. B. Beobachtet. Tiger. Zeitlich aufgelöste Gruppen typischer Differenzen (Fehler) zwischen zwei Zeitreihen werden ermittelt und visualisiert. TSMining. Mining Univariate und multivariate Motive in Zeitreihen-Daten. TsModel. Zeitreihenmodellierung für Luftverschmutzung und Gesundheit. CRAN-Pakete: Related Links: Durbin Watson Statistik Was ist die Durbin Watson-Statistik Die Durbin Watson-Statistik ist eine Zahl, die Tests für Autokorrelation in den Residuen aus einer statistischen Regressionsanalyse. Die Durbin-Watson-Statistik liegt immer zwischen 0 und 4. Ein Wert von 2 bedeutet, dass es keine Autokorrelation in der Probe gibt. Werte, die sich 0 nähern, zeigen eine positive Autokorrelation und Werte in Richtung 4 zeigen negative Autokorrelation an. BREAKING DOWN Durbin Watson Statistik Autokorrelation kann ein großes Problem bei der Analyse historischer Daten sein, wenn man nicht weiß, um darauf zu achten. Da sich die Aktienkurse von einem Tag zum anderen nicht allzu radikal ändern, könnten die Kurse von einem Tag zum nächsten in hohem Maße korrelieren, auch wenn es in dieser Beobachtung wenig nützliche Informationen gibt. Um Autokorrelationsprobleme zu vermeiden, ist die einfachste Lösung in der Finanzierung, einfach eine Reihe von historischen Preisen in eine Reihe von prozentualen Preisänderungen von Tag zu Tag umzuwandeln. Durbin Watson Statistik Berechnung Die Formel für die Durbin Watson Statistik ist ziemlich komplex, aber beinhaltet die Residuen aus einer gewöhnlichen kleinsten Quadrate Regression auf einem Satz von Daten. Das folgende Beispiel veranschaulicht, wie diese Statistik berechnet wird. Nehmen Sie die folgenden Punkte (x, y) an: Paar (10, 1.100) Paar zwei (20, 1.200) Paar drei (35, 985) Paar vier (40, 750) Paar fünf (50, , 1.000) Unter Verwendung der Methoden einer Regressionsgleichung der kleinsten Quadrate, um die Linie der besten Übereinstimmung zu finden, ist die Gleichung für die beste Übereinstimmungslinie dieser Daten: Y -2,6268x 1,129,2 Dieser erste Schritt bei der Berechnung der Durbin-Watson-Statistik besteht darin, das Erwartete zu berechnen Y-Werten unter Verwendung der Linie der Best-Fit-Gleichung. Für diesen Datensatz sind die erwarteten y-Werte: Erwartete Y (1) -2,6268 x 10 1,129,2 1,102,9 Erwartete Y (2) -2,6268 x 20 1,129,2 1,076,7 Erwartete Y (3) -2,6268 x 35 1,129,2 1,037.3 Erwartete Y (4) - 2.6268 x 40 1.129.2 1.024.1 Erwartetes Y (5) -2,6268 x 50 1,129,2 997,9 Erwartetes Y (6) -2,6268 x 45 1,129,2 1,011 Als nächstes werden die Unterschiede der tatsächlichen y-Werte gegenüber den erwarteten y-Werten, den Fehlern, berechnet: Fehler ( 1) (1 100-1102,9) -2,9 Fehler (2) (1.200 - 1.076.7) 123.3 Fehler (3) (985 - 1.037.3) -52.3 Fehler (750 - 1.024.1) -274.1 Fehler (5) (1.215 - 997.9) 217.1 Fehler (6) (1.000 - 1.011) -11 Als nächstes müssen diese Fehler quadriert und summiert werden: Summe der Fehler quadriert (-2.92 123.32 -52.32 -274.12 217.12 -111) 140.368.5 Als nächstes sind die Fehlerwerte minus dem vorherigen Fehler Berechnet und quadriert: Differenz (1) (123,3 - (-2,9)) 126,3 Differenz (2) (-52,3 - 123,3) -175,6 Differenz (3) (-274,1 - (-52,3)) -221,9 Differenz (4) (217,1 - (-274.1)) 491.3 Differenz (5) (-11 - 217.1) -228.1 Summe der Differenzen quadratisch 389.392.2 Schließlich ist die Durbin-Watson-Statistik der Quotient der quadrierten Werte: Durbin Watson 389.392.2 / 140.368.5 2.77Stata Merkmale Finanzökonometrie Verwendung von Stata Von Simona Boffelli und Giovanni Urga bietet eine ausgezeichnete Einführung in die Zeitreihe-Analyse und wie es in Stata für finanzielle zu tun. Die Region Naher Osten und Nordafrika (MENA) leidet sowohl an Datenverfügbarkeit als auch an Datenqualität. Jede Anstrengung, Daten zu sammeln, zu säubern und zu präsentieren auf der Region ist ein wel. Das 4. Polen-Stata User Group Meeting findet am Montag, den 17. Oktober 2016 an der SGH Warschau School of Economics, Warschau, Polen statt. Das Ziel der Stata Users Group Meeti. Rain Data: Verwenden von Stata zur Automatisierung der Erstellung und Kennzeichnung jeder Variablen durch Looping Oft in der Datenarbeit findet man, dass die gleiche Arbeit wieder getan werden muss und. Das 22. London Stata Users Group Meeting findet am Donnerstag, den 8. und Freitag, den 9. September 2016, an der Cass Business School, London, statt. Sitzung der London Stata Users Group. Aktuelle Stata-Kurse Die meisten Fragen von Interesse sind grundsätzlich Fragen der Kausalität, d. h. was ist die Wirkung von einigen Variablen x auf eine andere Variable y. Dieser Kurs stellt die statistischen Methoden, die derzeit für das Studium solcher Fragen. Moderne Kausalanalysen basieren entweder auf dem potenziellen Outcomes Framework oder dem strukturellen Gleichungsrahmen. Vor - und Nachteile beider Frameworks werden diskutiert. Die von StataCorp gelieferten NetCourses sind praktische webbasierte Kurse zum Erlernen von Stata. Unser Stata Fundamentals Kurs bietet eine komplette Einführung in Stata sowohl für den neuen Benutzer und ist ideal für die neue oder Anfänger Ebene Benutzer, die einen Vorsprung haben wollen und lernen, wie man Stata effizient nutzen. Erfahren Sie, wie Sie Ihre Daten mit Statas leistungsstarke Grafik-Features zu kommunizieren. Dieser Kurs stellt verschiedene Arten von Graphen vor und demonstriert, wie man sie für die explorative Datenanalyse verwendet. Die von StataCorp gelieferten NetCourses sind praktische webbasierte Kurse zum Erlernen von Stata.
No comments:
Post a Comment