text stringlengths 0 1.95k |
|---|
yv<-model[[1]][[4]][model[[1]][[1]]=="<leaf>"] |
plot(x,y, xlab=deparse(substitute(x)),ylab=deparse(substitute(y))) |
i<-1 ; j<-2 ; k<-1 ; b<-2*length(yv)+1 ; for (a in 1:b){ |
lines(c(xv[i],xv[j]),c(yv[k],yv[i]),lwd=2) |
if (a%%2==0){ j<-j+1 ;k<-k+1 } |
else {i<-i+1} } |
return(xv)} |
TimeGroup <- hump(sp.Time, sp.Speed) ; lines(lowess(sp.Time, sp.Speed, f=.25), |
col = "grey",lwd=2) |
sp.factor <- rep(4, length(sp.Time)) ; sp.factor[sp.Time[sp.Time<TimeGroup[4]]] <- 3 |
sp.factor[sp.Time[sp.Time<TimeGroup[3]]] <- 2 |
sp.factor[sp.Time[sp.Time<TimeGroup[2]]] <- 1 |
mean(sp.Speed[sp.factor==c(1,4)]) ; mean(sp.Speed[sp.factor==c(2,3)]) |
253 |
sp.factor <- as.factor(sp.factor) ; tapply(sp.Speed,sp.factor,mean) |
summary(mod<-aov(sp.Speed~sp.factor) # Дисперсионный анализ |
# Выполнение теста Тьюки HSD, вывод графика с доверительными интервалами |
(mod.HSD <- TukeyHSD(mod)) ; plot(mod.HSD) |
# Выполнение сегментации на бестрендовые участки |
source("uis.r") ; K.tabl <- uis(sp.Speed) |
write.table(K.tabl, file="clipboard", sep="\t", col.names=NA) |
# ------------------------------------------------------------------------- |
# Декомпозиции ряда РАСХОД с использованием функции decompose(…) |
FLOW.d <- decompose(FLOW) ; FLOW.d$figure ; plot(FLOW.d$trend) |
# Тестирование тренда с использованием критерия Спирмена |
library(pastecs) ; trend.test(FLOW.d$trend, R=1) # Оценка р по формулам аппроксимации |
# Тест с рандомизацией |
test.Sp <- trend.test(FLOW, R=1000) ; plot(test.Sp) ; test.Sp$p.value |
# Выявление локального тренда |
local.trend(FLOW) ; identify(local.trend(FLOW)) ; T=c(1: nrow(FLOW)) |
fit2 <- lm(FLOW.d$trend[1:255]~T[1:255]) ; summary(fit2) |
fit3 <- lm(FLOW.d$trend[255:384]~T[255:384]) ; summary(fit3) |
plot(T,FLOW.d$trend, type="l") |
points(T[7:255], predict(fit2), type="l", col="red", lwd=2) |
points(T[255:378], predict(fit3), type="l", col="red", lwd=2) |
7.2. Автокорреляция, стационарность и оценка периодичности |
выше методы |
Представленные |
наглядное |
представление о тренде, но при попытке прогноза на сколько-нибудь ощутимый период |
часто дают не всегда осмысленные результаты, поскольку не учитывают внутреннюю |
взаимосвязь членов ряда. Поэтому, прежде чем рассматривать модели прогнозирования, |
введем понятия автокорреляционной функции и случайного сезонного процесса. |
обеспечивают |
сглаживания |
Основным предметом анализа динамики рядов является проверка нулевой |
гипотезы о том, что изучаемый случайный процесс является стационарным, т. е. |
вероятностные характеристики ряда остаются неизменными. Случайный процесс xt |
является стационарным в широком смысле, если его математическое ожидание, дисперсия |
и автоковариация одинаковы для всех точек последовательности: |
E(xt) = µ = const; E(xt − µ)2 = const; E((xt − µ)( xt − k − µ)) = const. |
Разработано достаточно большое количество критериев стационарности, различия |
которых связаны с тем смыслом, который вкладывается в альтернативу проверяемой |
гипотезы: наличие тренда, его тип, наличие периодичности или что-то другое. |
Поскольку члены временного ряда являются взаимозависимыми, для полной |
характеристики динамического случайного процесса недостаточно математического |
ожидания и дисперсии. Степень тесноты статистической связи между наблюдениями, |
"разнесенными" во времени на k единиц, определяется коэффициентом автокорреляции |
rk = E[(xt - µ)(xt - k - µ)] / σ2 , |
где µ и σ2 – математическое ожидание и дисперсия анализируемой случайной величины. |
Выборочная оценка коэффициента автокорреляции имеет вид: |
r |
k |
= |
n |
å |
( |
kt |
1 |
+= |
x |
t |
- |
)( |
xx |
Subsets and Splits
No community queries yet
The top public SQL queries from the community will appear here once available.