forecasting principle and practice

ts 函数，将普通的数据转换成为时间序列数据

时间序列的绘图函数

seasonplot()
monthplot()
pairs()
Acf()

简单处理时间序列的方法

meanf()
naive()
rwf()
snaive()

数据变换

log
BoxCox.lambda(x)
BoxCox(x, BoxCox.lambda(x))

查看误差

accuracy()

Box.test() # Ljung–Box test

输出时序的有些函数

meanf
naive, snaive()
rwf
croston()
stlf
ses()
holt()
hw()
splinef()
thetaf()
forecast()

时间序列的回归

y <-
  ts(rnorm(120, 0, 3) + 1:120 + 20 * sin(2 * pi * (1:120) / 12), frequency =
       12)
fit <- tslm(y ~ trend + season)
plot(forecast(fit, h = 20))

# 就是 tslm

CV(fit) # 评价模型

durbin - waston statistic

dwtest 检测模型残差是否有自相关性

lmtest::dwtest(fit)

Breusch-Godfery

lmtest::bgtest(fit)

移动平均模型

ma()

使用移动平均线将时间序列分解为季节性，趋势和不规则分量。 处理添加或乘法季节性成分。

decompose

stl()

holt

hw

ets

adf.test检验自回归模型是否存在单位根，序列中存在单位根就是不平稳的
KPSS检验 也是平稳性检验的一种方法

auto.arima # 自动拟合arima模型
Acf# 自相关函数
Pacf # 便自相关函数

Arima