當(dāng)當(dāng)當(dāng)當(dāng)_{現(xiàn)在開始跑程序了}

Step 1:導(dǎo)入數(shù)據(jù)

我們用的是《商務(wù)與經(jīng)濟(jì)統(tǒng)計(jì)》中的時(shí)間序列分析數(shù)據(jù)，這是一個(gè)關(guān)于四年每個(gè)季度電視銷售數(shù)量的數(shù)據(jù)，先上代碼：

>path<-"F:/商務(wù)與經(jīng)濟(jì)統(tǒng)計(jì)（原書第11版）光盤內(nèi)容/數(shù)據(jù)文件/第18章/TVSales.csv"
>TVsales<-read.csv(path,header=TRUE)
>TVsales
 Year Quarter Sales..1000s.
1     1       1           4.8
2     1       2           4.1
3     1       3           6.0
4     1       4           6.5
5     2       1           5.8
6     2       2           5.2
7     2       3           6.8
8     2       4           7.4
9     3       1           6.0
10    3       2           5.6
11    3       3           7.5
12    3       4           7.8
13    4       1           6.3
14    4       2           5.9
15    4       3           8.0
16    4       4           8.4

第一列是年份笑跛，第二列是季度琅捏，第三列是銷售量（每千臺(tái)）

Step 2：繪制時(shí)間序列圖

 TVsalestimeseries<-ts(TVsales$Sales..1000s.,frequency =4)
 TVsalestimeseries
 Qtr1 Qtr2 Qtr3 Qtr4
1  4.8  4.1  6.0  6.5
2  5.8  5.2  6.8  7.4
3  6.0  5.6  7.5  7.8
4  6.3  5.9  8.0  8.4
 plot.ts(TVsalestimeseries)

這里的ts的是將數(shù)據(jù)轉(zhuǎn)存到一個(gè)時(shí)間序列對(duì)象中，然后繪制時(shí)間序列圖（忽略我丑丑的圖）

Paste_Image.png

從圖中可以很明顯地看出孙蒙，曲線按年呈現(xiàn)類似周期性的變化项棠，且整體呈現(xiàn)上升趨勢(shì)，因而為季節(jié)與趨勢(shì)模式挎峦，然后我們用decompose（）函數(shù)對(duì)其進(jìn)行分解香追。

Step 3：分解時(shí)間序列

TVsalestimeseriescompents<-decompose(TVsalestimeseries)
plot(TVsalestimeseriescompents)

Paste_Image.png

以上四幅圖中，分別為原始時(shí)間序列數(shù)據(jù)坦胶、數(shù)據(jù)的趨勢(shì)透典、季節(jié)性因素以及剔除了趨勢(shì)和季節(jié)性因素之后的隨機(jī)成分，我們可以將它們提取出來顿苇。

plot(TVsalestimeseriescompents$seasonal,type="b",main='季節(jié)對(duì)銷售的影響')

Paste_Image.png

從上圖可以看出峭咒，每年第二季度銷售量進(jìn)入低谷，第四季度達(dá)到高峰纪岁，這也明顯對(duì)應(yīng)著人們觀看電視興趣的直觀期望凑队，即第二季度由于春季和初夏的戶外活動(dòng)，減少了潛在消費(fèi)者觀看電視的興趣蜂科；第四季度由于冬季即將到來人們減少了戶外活動(dòng)顽决，因此電視購買模式趨向于峰值。

然后导匣，我們看一下消除季節(jié)影響的時(shí)間序列：

TVsalestimeseriesadjusted<-TVsalestimeseries-TVsalestimeseriescompents$seasonal
plot(TVsalestimeseriesadjusted,main='消除季節(jié)影響的電視機(jī)銷售量時(shí)間序列')

Paste_Image.png

消除季節(jié)影響后才菠，可以看出，電視的銷售量呈現(xiàn)出逐年上升的趨勢(shì)贡定。

Step 4：預(yù)測(cè)未來一年的銷售數(shù)量

在這里赋访，我們采用Holt-Winters指數(shù)平滑法對(duì)數(shù)據(jù)進(jìn)行預(yù)測(cè)

TVsalestimeseriesforecasts<-HoltWinters(TVsalestimeseries)
plot(TVsalestimeseriesforecasts)

Paste_Image.png

由圖知，曲線很好的擬合了原始數(shù)據(jù)，然后我們要用forecast包預(yù)測(cè)未來一年的數(shù)據(jù)：

 library(forecast)
TVsalestimeseriesforecasts2<-forecast.HoltWinters(TVsalestimeseriesforecasts,h=4)
TVsalestimeseriesforecasts2
     Point Forecast    Lo 80     Hi 80    Lo 95     Hi 95
5 Q1       7.693695 7.207385  8.180005 6.949948  8.437442
5 Q2       7.118695 6.523164  7.714226 6.207909  8.029481
5 Q3       8.868695 8.181078  9.556311 7.817076  9.920314
5 Q4       9.343695 8.574945 10.112444 8.167993 10.519396

以上蚓耽，我們預(yù)測(cè)了未來一年每個(gè)季度的數(shù)據(jù)渠牲，并分別給出80%和95%的置信區(qū)間，然后畫個(gè)圖看看:

 plot.forecast(TVsalestimeseriesforecasts2)

Paste_Image.png

以上步悠，藍(lán)色的部分就是預(yù)測(cè)值签杈，陰影部分便分別是80%和95%的置信區(qū)間。
至此鼎兽，時(shí)間序列分析就算完成了答姥，然后，我來說說一說我參考的資料吧：
網(wǎng)絡(luò)資源：R語言時(shí)間序列初探
書籍：《商務(wù)與經(jīng)濟(jì)統(tǒng)計(jì)》 David R.Anderson （辛辛提那大學(xué)）谚咬、Dennis J.Sweeney（辛辛提那大學(xué)）鹦付、Thomas A .Williams（羅切斯特理工學(xué)院）著
《R語言與數(shù)據(jù)挖掘最佳實(shí)踐與經(jīng)典案例》 Yanchang Zhao 著