2.2 1975-1980年夏威夷岛莫那罗亚火山每月释放的CO2数据
- 绘制时序图,并判断该序列是否平稳
- 计算该序列的样本自相关系数
- 绘制自相关图,并解释该图形
x=ts(E2_2$co2,start = 1975)
plot(x)#绘制时序图
#周期性,逐年递增,非平稳序列
print(acf(E2_2$co2,lag=24))#计算自相关系数
acf(E2_2$co2)#自相关图
自相关系数长期位于0轴的一边,这是具有单调趋势序列的典型特征;同时呈现出正弦波动规律,这是具有周期性变化规律的非平稳序列的特征。以上与时序图显示的特征吻合
2.3 1945-1950年费城月度降雨量数据
- 计算该序列的样本自相关系数
- 判断该序列的平稳性
- 判断该序列的纯随机性
print(acf(E2_3$rain,lag=24))#计算自相关系数
q2=ts(E2_3$rain,start=1945)
plot(q2)#绘制时序图
acf(q2)
#围绕在100附近随机波动,没有明显趋势或周期,基本可视为平稳序列。进一步利用自相关图辅助识别
#自相关系数一直比较小,控制在2倍标准差内,可认为该序列自始至终都在0轴附近波动。
#这是随机性很强的平稳序列具有的自相关图的特征
for(i in 1:3) print(Box.test(q2,lag=6*i))
#根据检验结果,延迟18阶P值<显著性水平0.5,拒绝序列纯随机的原假设,因而可以认为该序列属于非白噪声序列
2.5 某公司在2000-2003年间每月的销售量
- 绘制该序列的时序图及样本自相关图
- 判断该序列的平稳性
- 判断该序列的纯随机性
q5=ts(E2_5$x)
plot(q5)#绘制时序图
#周期性
acf(q5,lag=60)#自相关图
#该序列显示周期序列特征,所以识别为非平稳序列
for(i in 1:2) print(Box.test(q5,lag=3*i))#纯随机性检验
#p值<0.05,属于非白噪声序列
2.6 1969年1月至1973年9月在芝加哥海德公园内每28天发生的抢包案件数量
- 判断该序列的平稳性及纯随机性
q6=ts(E2_6$x)
plot(q6)
acf(E2_6$x)
#自相关图具有三角对称性,非平稳序列
for(i in 1:2) print(Box.test(q5,lag=6*i))
#不是纯随机序列,即非白噪声序列
2.7 1915-2004年澳大利亚每年与枪支有关的凶杀案死亡率(每10万人)
- 绘制该序列的时序图,直观考察该序列的平稳特征
- 绘制自相关图,分析该序列的平稳性
- 如果是平稳序列,分析该序列的纯随机性;如果是非平稳序列,则分析该序列一阶差分后的平稳性
q7=ts(E2_7$mortality,start = 1915)
plot(q7)
acf(q7)
#时序图和自相关图都显示典型的趋势序列特征,所以图识别为非平稳序列
plot(diff(q7))
acf(diff(q7))
#Box.test(q7)
#一阶差分后平稳
2.8 1860-1955年密歇根湖每月平均水位的最高值序列文章来源:https://www.uudwc.com/A/aYDW8/
- 绘制该序列的时序图,直观考察该序列的平稳特征
- 绘制自相关图,分析该序列的平稳性
- 如果是平稳序列,分析该序列的纯随机性;如果是非平稳序列,则分析该序列一阶差分后的平稳性
q8=ts(E2_8$wl,start=1860)
plot(q8)
acf(q8,lag=20)
#时序图和自相关图都显示典型的趋势序列特征
plot(diff(q8))
acf(diff(q8))
#一阶差分后平稳
文章来源地址https://www.uudwc.com/A/aYDW8/