每周数据的时间序列分解答案

【问题标题】：Time Series Decomposition of weekly data每周数据的时间序列分解
【发布时间】：2014-03-15 23:09:58
【问题描述】：

我对 R 完全陌生，刚刚开始使用它。我有三年的每周数据。我想把这个时间序列数据分解成趋势、季节和其他成分。我有以下疑问：

我应该使用哪个函数 - ts()或decompose()
如何应对闰年情况。

如果我错了，请纠正我，频率是52。

提前致谢。我非常感谢任何形式的帮助。

【问题讨论】：

标签： r statistics time-series

【解决方案1】：

欢迎来到 R！

是的，频率是52。

如果数据尚未归类为时间序列，您将需要ts() 和decompose()。要查找数据集的类别，请使用class(data)。如果它返回"ts"，那么就 R 而言，您的数据已经是一个时间序列。如果它返回其他内容，例如"data.frame"，那么您需要将其更改为时间序列。将变量分配给ts(data) 并再次检查类以确保。

有一个每月时间序列数据集sunspot.month 已加载到 R 中，您可以在上面练习。这是一个例子。你也可以通过写?decompose来阅读decompose的帮助文件

class(sunspot.month)
[1] "ts"

> decomp <- decompose(sunspot.month)

> summary(decomp)

         Length Class  Mode     
x        2988   ts     numeric  
seasonal 2988   ts     numeric  
trend    2988   ts     numeric  
random   2988   ts     numeric  
figure     12   -none- numeric  
type        1   -none- character

> names(decomp)
[1] "x"        "seasonal" "trend"    "random"   "figure"   "type"    

> plot(decomp)  # to see the plot of the decomposed time-series

对names 的调用表明您还可以访问各个组件数据。这可以通过$ 运算符来完成。例如，如果您只想查看季节性组件，请使用decomp$seasonal。

r time-series

【讨论】：

感谢您的回复。我有一个疑问，而不是分解，我可以使用stl() 将每周数据分解成这些组件吗？两者都会给我不同的结果吗？
根据decompose 帮助文件——“stl 函数提供了更复杂的分解。”查看两个帮助文件。除其他差异外，stl 使用 Loess 方法，decompose 使用经典的自回归和移动平均模型。它们不会产生相同的结果。