時間序列分析的適用性？

Question

我有一個像這樣的示例數據框（日期列格式為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()將此數據幀轉換為時間序列，但問題是：當前數據幀在同一日期具有多個值。 在這種情況下，我們可以應用時間序列嗎？

• 我可以將數據幀轉換為時間序列，並建立一個可以每天預測計數值的模型（ARIMA）嗎？

• 或者我應該基於grp預測計數值，但是在那種情況下，我必須只選擇grp並計數數據幀的列。 因此，在這種情況下，我必須跳過日期列，並且無法對計數值進行每日預測？

• 假設我想每天匯總計數值。 我嘗試使用匯總函數，但是必須指定日期值，但是我有非常大的數據集？ r中還有其他可用選項嗎？

有人可以建議是否有更好的方法嗎？ 我的假設是時間序列預測僅適用於雙變量數據？ 這個假設正確嗎？

Answer 1

您的問題似乎有兩個方面：

我想使用ts()將此數據幀轉換為時間序列，但問題是-當前數據幀在同一日期具有多個值。 在這種情況下，我們可以應用時間序列嗎？

如果您樂於使用xts包，則可以嘗試：

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

這將導致：

>> 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

以下類別中的一個：

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

然后，您可以將時間序列對象用作單變量時間序列，並引用選定的變量或多變量時間序列，例如使用PerformanceAnalytics包：

PerformanceAnalytics::chart.TimeSeries(dtaXTS)

側面點

關於第二個問題：

有人可以建議我遵循什么更好的方法，我的假設是時間序列預測僅適用於雙變量數據？ 這個假設對嗎？

恕我直言，這是相當廣泛的。 我建議您使用創建的xts對象並詳細說明要使用的模型，以及為什么，如果這是有關時間序列分析性質的概念性問題，您可能更願意將后續問題發布到CrossValidated上 。

---

數據來自： dta2 <- read.delim(pipe("pbpaste"), sep = "")使用提供的示例。

Answer 2

由於需要每日預報，因此我們需要匯總到每天。 使用末尾Note中的DF ，使用read.zoo和參數aggregate=sum將數據的前兩列讀入zoo系列z 。 我們可以選擇將其轉換為"ts"系列（ tser <- as.ts(z) ），盡管這對於許多預測功能而言都是不必要的。 特別是，檢查出auto.arima的源代碼后，我們看到它在進一步處理之前在其輸入上運行x <- as.ts(x) 。 最后運行auto.arima ， forecast或其他預測功能。

library(forecast)
library(zoo)

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

auto.arima(z)

forecast(z)

注意： DF在此處可重現：

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：重新閱讀問題后修訂。