14

zooRに時系列があります：

d <- structure(c(50912, 50912, 50912, 50912, 50913, 50913, 50914, 
50914, 50914, 50915, 50915, 50915, 50916, 50916, 50916, 50917, 
50917, 50917, 50918, 50918, 2293.8, 2302.64, 2310.5, 2324.02, 
2312.25, 2323.93, 2323.83, 2338.67, 2323.1, 2320.77, 2329.73, 
2319.63, 2330.86, 2323.38, 2322.92, 2317.71, 2322.76, 2286.64, 
2294.83, 2305.06, 55.9, 62.8, 66.4, 71.9, 59.8, 65.7, 61.9, 67.9, 
38.5, 36.7, 43.2, 30.3, 42.4, 33.5, 48.8, 52.7, 61.2, 30, 41.7, 
50, 8.6, 9.7, 10.3, 11.1, 9.2, 10.1, 9.6, 10.4, 5.9, 5.6, 6.6, 
4.7, 6.5, 5.2, 7.5, 8.1, 9.5, 4.6, 6.4, 7.7, 9.29591864400155, 
10.6585128174944, 10.4386464748912, 11.5738448647708, 10.9486074772952, 
10.9546547052814, 10.3733963771546, 9.15627378048238, 8.22993822910891, 
5.69045896511178, 6.95269658370746, 7.78781665368086, 7.20089569039135, 
4.9759716583555, 8.99378907920762, 10.0924594632635, 10.3909638115674, 
6.28203685114275, 9.16021859457356, 7.56829801052175, 0.695918644001553, 
0.9585128174944, 0.138646474891241, 0.473844864770827, 1.74860747729523, 
0.854654705281426, 0.773396377154565, -1.24372621951762, 2.32993822910891, 
0.0904589651117833, 0.352696583707458, 3.08781665368086, 0.700895690391349, 
-0.224028341644497, 1.49378907920762, 1.99245946326349, 0.890963811567351, 
1.68203685114275, 2.76021859457356, -0.131701989478247), .Dim = c(20L, 
6L), .Dimnames = list(NULL, c("station_id", "ztd", "zwd", "iwv", 
"radiosonde", "error")), index = structure(c(892094400, 892116000, 
892137600, 892159200, 892180800, 892245600, 892267200, 892288800, 
892332000, 892353600, 892375200, 892418400, 892440000, 892461600, 
892504800, 892526400, 892548000, 892591200, 892612800, 892634400
), class = c("POSIXct", "POSIXt")), class = "zoo")

ts時系列をトレンドと季節性に分解したり、自己相関関数を調べたりするなど、パッケージで実行できる分析のいくつかを実行したいと思います。ただし、これらのいずれかを実行しようとすると、次のエラーが発生しますError in na.fail.default(as.ts(x)) : missing values in object。

これをさらに詳しく調べると、これらの関数はすべて、ts定義上、一定間隔の観測値を持つオブジェクトで機能しているようです。私の観察はそうではないので、私はたくさんのNAsになってしまい、すべてが失敗します。

Rの不規則な時系列を分析する方法はありますか？それとも、どういうわけかそれらを定期的に変換する必要がありますか？もしそうなら、これを行う簡単な方法はありますか？

4

1 に答える 1

15

私は過去に、このような不規則なデータを加法モデルを使用して分析し、季節成分と傾向成分を「分解」しました。これは回帰ベースのアプローチであるため、残差の独立性の欠如を説明するために、時系列プロセスとして残差をモデル化する必要があります。

これらの分析にはmgcvパッケージを使用しました。基本的に、適合したモデルは次のとおりです。

require(mgcv)
require(nlme)
mod <- gamm(response ~ s(dayOfYear, bs = "cc") + s(timeOfSampling), data = foo,
            correlation = corCAR1(form = ~ timeOfSampling))

これは、季節項の年の日の変数の循環スプラインに適合し、傾向は数値変数でdayOfYear表されます。ここでは、変数をCAR（1）の時間コンポーネントとしてtimeOfSampling使用して、残差を連続時間AR（1）としてモデル化します。timeOfSamplingこれは、時間的分離が増加するにつれて、残差間の相関が指数関数的に低下することを前提としています。

私はこれらのアイデアのいくつかについていくつかのブログ投稿を書きました：

  1. 時間的に相関するデータの平滑化
  2. アディティブモデリングとHadCRUT3vグローバル平均気温シリーズ

従うべき追加のRコードが含まれています。

于 2012-09-27T14:06:03.823 に答える