观影人数随着时间变化的趋势分析.R语言
setwd(“C:\Users\TDL\Desktop\观影人数时间序列”)library(MASS)
library(forecast)
source(“trndseas.R”)
data=read.table(“chicago.txt”,header=F)
head(data)
names(data)=c(“每日平均收入”,“年月日”)
data年 月 日 = a s . D a t e ( d a t a 年月日=as.Date(data年月日=as.Date(data年月日,"%m/%d/%Y")
data星 期 = w e e k d a y s ( d a t a 星期=weekdays(data星期=weekdays(data年月日)
data$n=1:nrow(data)
######数据趋势
y=c(dataKaTeX parse error: Expected 'EOF', got '#' at position 19: …均收入) ts.plot(y)#̲从图中可以看出数据有明显的周期…每日平均收入^lambda-1)/lambda
lm.lam<-lm(Ylam~dataKaTeX parse error: Expected 'EOF', got '#' at position 20: …summary(lm.lam)#̲box-cox后的模型R方明显…coefficients
beta1<-lm.lamc o e f f i c i e n t s [ 2 ] c u r v e ( ( 1 + l a m b d a ∗ ( b e t a 0 + b e t a 1 ∗ x ) ) ( 1 / l a m b d a ) , f r o m = m i n ( d a t a coefficients curve((1+lambda*(beta0+beta1*x))^(1/lambda), from=min(datacoefficientscurve((1+lambda∗(beta0+beta1∗x))
(
1/lambda),from=min(datan), to=max(datan ) , c o l = " b l u e " , l w d = 2 , x l a b = " n " , y l a b = " 每 日 平 均 收 入 " ) p o i n t s ( d a t a n), col="blue", lwd=2, xlab="n", ylab="每日平均收入") points(datan),col="blue",lwd=2,xlab="n",ylab="每日平均收入")points(datan,data$每日平均收入, pch=21, cex=1.2, col=“red”, bg=“orange”)
mtext(“Box-Cox Transformations”, outer = TRUE, cex=1.5)
par(op)
###第四张图给出曲线图和对应的散点图
######ARMA模型
#1.画出时序图和自相关图
ts.plot(y)#从图中可以看出数据有明显的周期性、趋势性
acf(y,main=“自相关图”)#利用acf()函数画出序列的自相关图，通过自相关图判断序列是否平稳
#2.对序列进行平稳化处理
y=log(y)
par(mfrow=c(2,1))
plot(y,type=“l”,xlab=“n”,ylab=“每日平均收入”,main=“差分前”)
acf(y,main=“自相关图”,xlab=“滞后阶数”)
ndiffs(y)#结果表明序列需要进行1阶差分
ndata<-diff(y,1)
ndiffs(ndata)#结果表明无需进行
par(mfrow=c(2,1))
plot(ndata,type=“l”,main=“差分后”)
acf(ndata,main=“自相关图”,xlab=“滞后阶数”)#从上图可以看到，1阶差分以后序列变为平稳序列，且自相关图显示自相关系数在滞后1阶后就快速的减为0。进一步表明序列平稳。
#3、ARMA模型的定阶及参数估计
par(mfrow=c(2,1))
acf(ndata)
pacf(ndata)
model1<-arima(y,order=c(2,1,2),method=“ML”)
model1
#4、模型检验
qqnorm(model1r e s i d u a l s ) q q l i n e ( m o d e l 1 residuals) qqline(model1residuals)qqline(model1residuals)
Box.test(model1KaTeX parse error: Expected 'EOF', got '#' at position 29: …e="Ljung-Box") #̲5、预测 p=predict(…pred)
页:
[1]