कोर्स
R परिचय
4 घंटा
3.1M
यदि आप हमारा Introduction to Time Series Analysis in R कोर्स करना चाहते हैं, तो यह रहा लिंक।
Autocorrelations की गणना
Autocorrelations या lagged correlations इस बात का आकलन करने के लिए उपयोग होती हैं कि कोई time series अपने अतीत पर निर्भर है या नहीं। लंबाई n वाली time series x के लिए, हम एक-एक समय इकाई के अंतर पर मौजूद n-1 अवलोकन युग्मों पर विचार करते हैं। पहला युग्म (x[2],x[1]) होता है, और अगला (x[3],x[2])। प्रत्येक ऐसा युग्म (x[t],x[t-1]) के रूप में होता है, जहाँ t अवलोकन सूचकांक है, जिसे इस मामले में हम 2 से n तक बदलते हैं। x का lag-1 autocorrelation इन (x[t], x[t-1]) युग्मों के नमूना सहसंबंध के रूप में अनुमानित किया जा सकता है।
आम तौर पर, हम इन अवलोकन युग्मों को मैन्युअल रूप से बना सकते हैं। सबसे पहले, लंबाई n-1 वाले दो वेक्टर x_t0 और x_t1 बनाएं, ताकि पंक्तियाँ (x[t], x[t-1]) युग्मों के अनुरूप हों। फिर lag-1 autocorrelation का अनुमान लगाने के लिए cor() फ़ंक्शन लागू करें।
खुशकिस्मती से, acf() कमांड एक शॉर्टकट देता है। किसी series x पर acf(..., lag.max = 1, plot = FALSE) लगाने से lag-1 autocorrelation स्वतः ही गणना हो जाता है।
अंत में, ध्यान दें कि दोनों अनुमानों में थोड़ा अंतर आता है क्योंकि वे sample covariance की गणना में अलग-अलग स्केलिंग का उपयोग करते हैं, 1/(n-1) बनाम 1/n। यद्यपि बाद वाला एक biased अनुमान देगा, यह time series analysis में पसंद किया जाता है, और परिणामस्वरूप autocorrelation अनुमान केवल (n-1)/n गुणांक से भिन्न होते हैं।
इस अभ्यास में, आप lag-1 autocorrelation की मैन्युअल और स्वचालित दोनों गणनाओं का अभ्यास करेंगे। time series x और इसकी लंबाई n (150) पहले से लोड हैं। श्रेणी दाईं ओर के प्लॉट में दिखाई गई है।
निर्देश
- लंबाई
n-1वाले दो वेक्टरx_t0औरx_t1बनाएं ताकि पंक्तियाँ(x[t], x[t-1])युग्मों के अनुरूप हों। - पूर्व-लिखित कोड का उपयोग कर पुष्टि करें कि
x_t0औरx_t1(x[t], x[t-1])युग्म हैं। plot()का उपयोग करx_t0औरx_t1का scatterplot देखें।cor()का उपयोग करx_t0औरx_t1के बीच correlation देखें।xके साथacf()का उपयोग कर lag-1 autocorrelation स्वतः गणना करें। एक ही lag अवधि के लिएlag.maxआर्गुमेंट को1पर सेट करें औरplotआर्गुमेंट कोFALSEपर सेट करें।- पूर्व-लिखित कोड का उपयोग कर पुष्टि करें कि अंतर का गुणांक
(n-1)/nहै।
eyJsYW5ndWFnZSI6InIgIiwicHJlX2V4ZXJjaXNlX2NvZGUiOiJcbiMgcGVj XG5zZXQuc2VlZCg5ODc2KVxueCA8LSBhcmltYS5zaW0obGlzdChhcj0wLjc1 KSxuPTE1MClcbm4gPC0gbGVuZ3RoKHgpIDsgblxudHMucGxvdCh4KSIsInNh bXBsZSI6IlxuIyBEZWZpbmUgeF90MCBhcyB4Wy0xXVxueF90MCA8LSBcblxu IyBEZWZpbmUgeF90MSBhcyB4Wy1uXVxueF90MSA8LSBcblxuIyBDb25maXJt IHRoYXQgeF90MCBhbmQgeF90MSBhcmUgKHhbdF0sIHhbdC0xXSkgcGFpcnMg IFxuaGVhZChjYmluZCh4X3QwLCB4X3QxKSlcbiAgXG4jIFBsb3QgeF90MCBh bmQgeF90MVxucGxvdChfX18sIF9fXylcblxuIyBWaWV3IHRoZSBjb3JyZWxh dGlvbiBiZXR3ZWVuIHhfdDAgYW5kIHhfdDFcbmNvcihfX18sIF9fXylcblxu IyBVc2UgYWNmIHdpdGggeFxuYWNmKF9fXywgbGFnLmF4ID0gX19fLCBwbG90 ID0gX19fKVxuXG4jIENvbmZpcm0gdGhhdCBkaWZmZXJlbmNlIGZhY3RvciBp cyAobiktMSkvblxuY29yKHhfdDEsIHhfdDApICogKG4tMSkvbiIsInNvbHV0 aW9uIjoiXG4jIERlZmluZSB4X3QwIGFzIHhbLTFdXG54X3QwIDwtIHhbLTFd IFxuXG4jIERlZmluZSB4X3QxIGFzIHhbLW5dXG54X3QxIDwtIHhbLW5dXG5c biMgQ29uZmlybSB0aGF0IHhfdDAgYW5kIHhfdDEgYXJlICh4W3RdLCB4W3Qt MV0pIHBhaXJzICBcbmhlYWQoY2JpbmQoeF90MCwgeF90MSkpXG4gIFxuIyBQ bG90IHhfdDAgYW5kIHhfdDFcbnBsb3QoeF90MCwgeF90MSlcblxuIyBWaWV3 IHRoZSBjb3JyZWxhdGlvbiBiZXR3ZWVuIHhfdDAgYW5kIHhfdDFcbmNvcih4 X3QwLCB4X3QxKVxuXG4jIFVzZSBhY2Ygd2l0aCB4XG5hY2YoeCwgbGFnLm1h eCA9IDEsIHBsb3QgPSBGQUxTRSlcblxuIyBDb25maXJtIHRoYXQgZGlmZmVy ZW5jZSBmYWN0b3IgaXMgKG4tMSkvbiBcbmNvcih4X3QxLCB4X3QwKSAqIChu LTEpL24iLCJzY3QiOiJcbnRlc3Rfb2JqZWN0KFwieF90MFwiKVxudGVzdF9v YmplY3QoXCJ4X3QxXCIpXG50ZXN0X2Z1bmN0aW9uKFwiaGVhZFwiKVxudGVz dF9mdW5jdGlvbihcInBsb3RcIiwgYXJncyA9IGMoXCJ4XCIsIFwieVwiKSlc bnRlc3RfZnVuY3Rpb24oXCJjb3JcIiwgYXJncyA9IGMoXCJ4XCIsIFwieVwi KSwgaW5kZXggPSAxKVxudGVzdF9mdW5jdGlvbihcImFjZlwiLCBhcmdzID0g YyhcInhcIiwgXCJsYWcubWF4XCIsIFwicGxvdFwiKSlcbnRlc3RfZnVuY3Rp b24oXCJjb3JcIiwgYXJncyA9IGMoXCJ4XCIsIFwieVwiKSwgaW5kZXggPSAy KVxudGVzdF9lcnJvcigpXG5cbnN1Y2Nlc3NfbXNnKFwiRXhjZWxsZW50IHdv cmshIEFzIHlvdSBjYW4gc2VlLCB0aGUgYGFjZigpYCBjb21tYW5kIGlzIGEg aGVscGZ1bCBzaG9ydGN1dCBmb3IgY2FsY3VsYXRpbmcgYXV0b2NvcnJlbGF0 aW9uLiBJbiB0aGUgbmV4dCBmZXcgZXhlcmNpc2VzLCB5b3UnbGwgZXhwbG9y ZSBhZGRpdGlvbmFsIGZlYXR1cmVzIG9mIHRoaXMgY29tbWFuZC5cIikiLCJo aW50IjoiXG5UaGUgYGBhY2YoKWBgIGNvbW1hbmQgaW4gdGhpcyBleGVyY2lz ZSBzaG91bGQgdGFrZSBhcmd1bWVudHMgZm9yIGBsb2cubWF4YCAoaW4gdGhp cyBjYXNlLCBgMWApIGFuZCBgcGxvdGAgKGluIHRoaXMgY2FzZSwgYEZBTFNF YCkuIElmIHlvdSdyZSBjb25mdXNlZCwgeW91IGNhbiBhY2Nlc3MgdGhlIGhl bHAgZG9jdW1lbnRhdGlvbiBmb3IgdGhpcyBjb21tYW5kIGJ5IHR5cGluZyBg YD9hY2ZgYCBpbnRvIHlvdXIgUiBjb25zb2xlLiJ9
यदि यह समझ में आ गया हो, तो अगले अभ्यास पर बढ़ें! यदि नहीं, तो यहाँ एक ओवरव्यू वीडियो है।
ऑटोकॉरिलेशन पर ओवरव्यू वीडियो
ऑटोकॉरिलेशन फ़ंक्शन
Autocorrelations को कई lags पर अनुमानित किया जा सकता है ताकि यह बेहतर तरीके से आंका जा सके कि कोई time series अपने अतीत से कैसे जुड़ी है। हम आम तौर पर इस बात में सबसे अधिक रुचि रखते हैं कि कोई series अपने हालिया अतीत से कैसे संबंधित है।
acf(..., lag.max = ..., plot = FALSE) फ़ंक्शन 0, 1, 2, ... से लेकर lag.max आर्गुमेंट द्वारा निर्दिष्ट मान तक सभी autocorrelations का अनुमान लगाएगा। पिछले अभ्यास में, आपने lag.max आर्गुमेंट को 1 पर सेट कर lag-1 autocorrelation पर ध्यान केंद्रित किया था।
इस अभ्यास में, आप acf() कमांड के कुछ और उपयोगों की जाँच करेंगे। एक बार फिर, time series x आपके लिए पहले से लोड है और दाईं ओर के प्लॉट में दिखाई गई है।
निर्देश
- सीरीज़
xके 0 से 10 तक के autocorrelations देखने के लिएacf()का उपयोग करें।lag.maxआर्गुमेंट को10पर सेट करें औरplotआर्गुमेंट कोFALSEरहने दें। - lag-10 पर autocorrelation estimate (ACF) को कॉपी-पेस्ट करें।
- lag-5 पर autocorrelation estimate (ACF) को कॉपी-पेस्ट करें।
eyJsYW5ndWFnZSI6InIiLCJwcmVfZXhlcmNpc2VfY29kZSI6IlxuIyBwZWNc bnNldC5zZWVkKDk4NzYpXG54ID0gYXJpbWEuc2ltKGxpc3QoYXI9MC43NSks bj0xNTApXG50cy5wbG90KHgpXG4iLCJzYW1wbGUiOiJcbiMgR2VuZXJhdGUg QUNGIGVzdGltYXRlcyBmb3IgeCB1cCB0byBsYWctMTBcbmFjZihfX18sIGxh Zy5tYXggPSBfX18sIHBsb3QgPSBGQUxTRSlcblxuIyBUeXBlIHRoZSBBQ0Yg ZXN0aW1hdGUgYXQgbGFnLTEwIFxuXG5cbiMgVHlwZSB0aGUgQUNGIGVzdGlt YXRlIGF0IGxhZy01Iiwic29sdXRpb24iOiJcbiMgR2VuZXJhdGUgQUNGIGVz dGltYXRlcyBmb3IgeCB1cCB0byBsYWctMTBcbmFjZih4LCBsYWcubWF4ID0g MTAsIHBsb3QgPSBGQUxTRSlcblxuIyBUeXBlIHRoZSBBQ0YgZXN0aW1hdGUg YXQgbGFnLTEwIFxuMC4xMDBcblxuIyBUeXBlIHRoZSBBQ0YgZXN0aW1hdGUg YXQgbGFnLTVcbjAuMTk4Iiwic2N0IjoiXG4jIHNjdCBjb2RlXG50ZXN0X2Z1 bmN0aW9uKFwiYWNmXCIsIGFyZ3M9YyhcInhcIiwgXCJsYWcubWF4XCIsIFwi cGxvdFwiKSlcbnRlc3Rfc3R1ZGVudF90eXBlZChcIjAuMTAwXCIpXG50ZXN0 X3N0dWRlbnRfdHlwZWQoXCIwLjE5OFwiKVxudGVzdF9lcnJvcigpXG5cbnN1 Y2Nlc3NfbXNnKFwiR3JlYXQgam9iISBTaW5jZSBhdXRvY29ycmVsYXRpb25z IG1heSB2YXJ5IGJ5IGxhZywgd2Ugb2Z0ZW4gY29uc2lkZXIgYXV0b2NvcnJl bGF0aW9ucyBhcyBhIGZ1bmN0aW9uIG9mIHRoZSB0aW1lIGxhZy4gVGFraW5n IHRoaXMgdmlldywgd2UgaGF2ZSBub3cgZXN0aW1hdGVkIHRoZSBhdXRvY29y cmVsYXRpb24gZnVuY3Rpb24gKEFDRikgb2YgYHhgIGZyb20gbGFncyAwIHRv IDEwLlwiKSIsImhpbnQiOiJcblRoZSBgYGFjZigpYGAgY29tbWFuZCBpbiB0 aGlzIGV4ZXJjaXNlIHNob3VsZCB0YWtlIGFyZ3VtZW50cyBmb3IgYGxvZy5t YXhgIChpbiB0aGlzIGNhc2UsIGAxMGApIGFuZCBgcGxvdGAgKGluIHRoaXMg Y2FzZSwgYEZBTFNFYCkuIEJlIHN1cmUgdG8gY2xvc2VseSBleGFtaW5lIHRo ZSBvdXRwdXQgb2YgdGhpcyBjb21tYW5kLiBJZiB5b3UncmUgY29uZnVzZWQs IHlvdSBjYW4gYWNjZXNzIHRoZSBoZWxwIGRvY3VtZW50YXRpb24gZm9yIHRo aXMgY29tbWFuZCBieSB0eXBpbmcgYGA/YWNmYGAgaW50byB5b3VyIFIgY29u c29sZS4ifQ==
ऑटोकॉरिलेशन फ़ंक्शन का विज़ुअलाइज़ेशन
कई lags पर autocorrelation function (ACF) का अनुमान लगाना हमें यह आकलन करने देता है कि time series x अपने अतीत से कैसे संबंधित है। संख्यात्मक अनुमान विस्तृत गणनाओं के लिए महत्वपूर्ण होते हैं, लेकिन lag के एक फ़ंक्शन के रूप में ACF को विज़ुअलाइज़ करना भी उपयोगी है।
वास्तव में, acf() कमांड डिफ़ॉल्ट रूप से एक फ़िगर बनाता है। यह lag.max के लिए, यानी प्रदर्शित किए जाने वाले अधिकतम lags की संख्या के लिए, एक डिफ़ॉल्ट विकल्प भी चुनता है।
तीन time series x, y, और z आपके R environment में लोड की गई हैं और दाईं ओर प्लॉट की गई हैं। time series x मजबूत persistence दिखाती है, यानी वर्तमान मान उससे पहले वाले मानों से काफ़ी नज़दीकी संबंध रखता है। time series y लगभग चार अवलोकनों की cycle length के साथ एक आवधिक पैटर्न दिखाती है, यानी वर्तमान मान लगभग चार पहले के अवलोकन के क़रीब होता है। time series z कोई स्पष्ट पैटर्न प्रदर्शित नहीं करती।
इस अभ्यास में, आप प्रत्येक time series के लिए अनुमानित autocorrelation function प्लॉट करेंगे। acf() द्वारा बनाए गए प्लॉट्स में, प्रत्येक autocorrelation estimate का lag क्षैतिज अक्ष पर दर्शाया जाता है और प्रत्येक autocorrelation estimate को ऊर्ध्वाधर बार की ऊँचाई से दर्शाया जाता है। याद रखें कि lag-0 पर ACF हमेशा 1 होता है।
अंत में, प्रत्येक ACF फ़िगर में नीली, क्षैतिज, dashed रेखाओं की एक जोड़ी होती है जो शून्य पर केंद्रित lag-वार 95% confidence intervals का प्रतिनिधित्व करती है। इनका उपयोग किसी दिए गए lag पर व्यक्तिगत autocorrelation estimate की सांख्यिकीय महत्ता को शून्य के null मान, अर्थात उस lag पर कोई autocorrelation न होने, के विरुद्ध निर्धारित करने के लिए किया जाता है।
निर्देश
फ़ंक्शन acf() के तीन कॉल्स का उपयोग कर अपनी तीनों time series (x, y, और z) के अनुमानित ACFs प्रदर्शित करें। acf() के कॉल्स में अतिरिक्त आर्गुमेंट्स निर्दिष्ट करने की आवश्यकता नहीं है।
eyJsYW5ndWFnZSI6InIgIiwicHJlX2V4ZXJjaXNlX2NvZGUiOiJcbiMgcGVj XG5zZXQuc2VlZCg0MzY2KVxucGFyKG1mY29sPWMoMywxKSlcbnggPSBhcmlt YS5zaW0obGlzdChhcj0wLjc1KSxuPTE1MClcbnRzLnBsb3QoeCwgbWFpbiA9 IFwiVEhSRUUgVElNRSBTRVJJRVNcIilcbnkgPSBhcmltYS5zaW0obGlzdChh cj1jKDAsMCwwLDAuODgpKSxuPTE1MClcbnRzLnBsb3QoeSlcbnogPSBhcmlt YS5zaW0obGlzdChvcmRlcj1jKDAsMCwwKSksbj0xNTApXG50cy5wbG90KHop Iiwic2FtcGxlIjoiXG4jIFZpZXcgdGhlIEFDRiBvZiB4XG5hY2YoX19fKVxu XG4jIFZpZXcgdGhlIEFDRiBvZiB5XG5cblxuIyBWaWV3IHRoZSBBQ0Ygb2Yg eiIsInNvbHV0aW9uIjoiXG4jIFZpZXcgdGhlIEFDRiBvZiB4XG5hY2YoeClc blxuIyBWaWV3IHRoZSBBQ0Ygb2YgeVxuYWNmKHkpXG5cbiMgVmlldyB0aGUg QUNGIG9mIHpcbmFjZih6KSIsInNjdCI6IlxudGVzdF9mdW5jdGlvbihcImFj ZlwiLCBpbmRleCA9IDEpXG50ZXN0X2Z1bmN0aW9uKFwiYWNmXCIsIGluZGV4 ID0gMilcbnRlc3RfZnVuY3Rpb24oXCJhY2ZcIiwgaW5kZXggPSAzKVxudGVz dF9lcnJvcigpXG5cbnN1Y2Nlc3NfbXNnKFwiR3JlYXQgam9iISBQbG90dGlu ZyB0aGUgZXN0aW1hdGVkIEFDRiBvZiBgeGAgc2hvd3MgbGFyZ2UgcG9zaXRp dmUgY29ycmVsYXRpb25zIGZvciBzZXZlcmFsIGxhZ3Mgd2hpY2ggcXVpY2ts eSBkZWNheSB0b3dhcmRzIHplcm8uIFBsb3R0aW5nIHRoZSBlc3RpbWF0ZWQg QUNGIG9mIGB5YCBzaG93cyBsYXJnZSBwb3NpdGl2ZSBjb3JyZWxhdGlvbnMg YXQgbGFncyB3aGljaCBhcmUgbXVsdGlwbGVzIG9mIGZvdXIsIGFsdGhvdWdo IHRoZXNlIGFsc28gZGVjYXkgdG93YXJkcyB6ZXJvIGFzIHRoZSBsYWcgbXVs dGlwbGUgaW5jcmVhc2VzLiBGaW5hbGx5LCB0aGUgZXN0aW1hdGVkIEFDRiBv ZiBgemAgaXMgbmVhciB6ZXJvIGF0IGFsbCBsYWdzLiBJdCBhcHBlYXJzIHRo ZSBzZXJpZXMgYHpgIGlzIG5vdCBsaW5lYXJseSByZWxhdGVkIHRvIGl0cyBw YXN0LCBhdCBsZWFzdCB0aHJvdWdoIGxhZyAyMC5cIikiLCJoaW50IjoiXG5X aGVyZWFsIHlvdSBwcmV2aW91c2x5IHNwZWNpZmllZCB0aGUgYGxhZy5tYXhg IGFuZCBgcGxvdGAgYXJndW1lbnRzIGluIHlvdXIgY2FsbHMgdG8gYGBhY2Yo KWBgLCBuZWl0aGVyIHRoZXNlIGFyZ3VtZW50cyBhcmUgc3RyaWN0bHkgbmVj ZXNzYXJ5IHdoZW4gdXNpbmcgdGhlIGBgYWNmKClgYCBjb21tYW5kLiBgYGFj ZigpYGAgd2lsbCBjaG9vc2UgYSBgbGFnLm1heGAgdmFsdWUgZm9yIHlvdSBi eSBkZWZhdWx0IGFuZCB3aWxsIHNldCB0aGUgYHBsb3RgIGFyZ3VtZW50IHRv IGBUUlVFYC4gSWYgeW91J3JlIGNvbmZ1c2VkLCB5b3UgY2FuIGFjY2VzcyB0 aGUgaGVscCBkb2N1bWVudGF0aW9uIGZvciB0aGlzIGNvbW1hbmQgYnkgdHlw aW5nIGBgP2FjZmBgIGludG8geW91ciBSIGNvbnNvbGUuIn0=
यदि आप इस कोर्स से और सीखना चाहते हैं, तो यह रहा लिंक।
हमारा Time Series Analysis using R: Tutorial देखें।
विषय