定常時系列分析を行なうにあたり、 ARMA (AutoRegressive Moving Average: 自己回帰移動平均)モデルを想定します。 実際は、ARIMAモデルに内包されるかたちで 分析を行ないます（関数も存在します）が、 ARモデル、MAモデル、ARMAモデル、ARIMAモデル、GARCHモデル という流れの一環として、トピックとしてあげてみました。 ARMAモデルは、ARモデルとMAモデルを合わせたモデルです。 ARモデル = p次の自己回帰モデル MAモデル = q次の移動平均モデル ARMAモデル = ( p, q )次の自己回帰移動平均モデル Case 1. 例として、Rが保有するデータセット treering を使用して、 ARMAモデルを想定した定常時系列分析を行なってみます。 treering は、木の年輪を時系列で保有しているデータセットです。
定常時系列分析を行なうにあたり、 ARIMA (AutoRegressive Integrated Moving Average: 自己回帰和分移動平均)モデルを想定します。 ARIMAモデルはデータそのものは非定常ですが、 階差をとることでARMAモデルに従うモデルです。 階差（difference） ARIMA( p, d, q )モデル Case 1. 例として、Rが保有するデータセット WWWusage を使用して、 ARIMAモデルを想定した定常時系列分析を行なってみます。 WWWusage は、インターネット使用者数を時系列で保有しているデータセットです。 tsdisplay()関数を使用して、自己相関係数や偏自己相関係数の 状態を確認します。 tsdisplay()関数は、パッケージ forecast にあるので、 まずは、forecast を読み込みます。
リリース、障害情報などのサービスのお知らせ
最新の人気エントリーの配信
処理を実行中です
j次のブックマーク
k前のブックマーク
lあとで読む
eコメント一覧を開く
oページを開く