时间序列分析的适用性？

Question

我有一个像这样的示例数据框（日期列格式为mm-dd-YYYY ）：

date            count     grp
01-09-2009       54        1
01-09-2009       100       2
01-09-2009       546       3
01-10-2009       67        4
01-11-2009       80        5
01-11-2009       45        6

我想使用ts()将此数据帧转换为时间序列，但问题是：当前数据帧在同一日期具有多个值。 在这种情况下，我们可以应用时间序列吗？

• 我可以将数据帧转换为时间序列，并建立一个可以每天预测计数值的模型（ARIMA）吗？

• 或者我应该基于grp预测计数值，但是在那种情况下，我必须只选择grp并计数数据帧的列。 因此，在这种情况下，我必须跳过日期列，并且无法对计数值进行每日预测？

• 假设我想每天汇总计数值。 我尝试使用汇总函数，但是必须指定日期值，但是我有非常大的数据集？ r中还有其他可用选项吗？

有人可以建议是否有更好的方法吗？ 我的假设是时间序列预测仅适用于双变量数据？ 这个假设正确吗？

Answer 1

您的问题似乎有两个方面：

我想使用ts()将此数据帧转换为时间序列，但问题是-当前数据帧在同一日期具有多个值。 在这种情况下，我们可以应用时间序列吗？

如果您乐于使用xts包，则可以尝试：

dta2$date <- as.Date(dta2$date, "%d-%m-%Y")
dtaXTS <- xts::as.xts(dta2[,2:3], dta2$date)

这将导致：

>> head(dtaXTS)
           count grp
2009-09-01    54   1
2009-09-01   100   2
2009-09-01   546   3
2009-10-01    67   4
2009-11-01    80   5
2009-11-01    45   6

以下类别中的一个：

>> class(dtaXTS)
[1] "xts" "zoo"

然后，您可以将时间序列对象用作单变量时间序列，并引用选定的变量或多变量时间序列，例如使用PerformanceAnalytics包：

PerformanceAnalytics::chart.TimeSeries(dtaXTS)

侧面点

关于第二个问题：

有人可以建议我遵循什么更好的方法，我的假设是时间序列预测仅适用于双变量数据？ 这个假设对吗？

恕我直言，这是相当广泛的。 我建议您使用创建的xts对象并详细说明要使用的模型，以及为什么，如果这是有关时间序列分析性质的概念性问题，您可能更愿意将后续问题发布到CrossValidated上 。

---

数据来自： dta2 <- read.delim(pipe("pbpaste"), sep = "")使用提供的示例。

Answer 2

由于需要每日预报，因此我们需要汇总到每天。 使用末尾Note中的DF ，使用read.zoo和参数aggregate=sum将数据的前两列读入zoo系列z 。 我们可以选择将其转换为"ts"系列（ tser <- as.ts(z) ），尽管这对于许多预测功能而言都是不必要的。 特别是，检查出auto.arima的源代码后，我们看到它在进一步处理之前在其输入上运行x <- as.ts(x) 。 最后运行auto.arima ， forecast或其他预测功能。

library(forecast)
library(zoo)

z <- read.zoo(DF[1:2], format = "%m-%d-%Y", aggregate = sum)

auto.arima(z)

forecast(z)

注意： DF在此处可重现：

Lines <- "date            count     grp
01-09-2009       54        1
01-09-2009       100       2
01-09-2009       546       3
01-10-2009       67        4
01-11-2009       80        5
01-11-2009       45        6"
DF <- read.table(text = Lines, header = TRUE)

更新：重新阅读问题后修订。