标签：滤波器 plot ts 分解 序列 周期时间 数据

原文链接：http://tecdat.cn/?p=23000

本文包含各种过滤器，可用于分解南非GDP的方法。我们做的第一件事是清除当前环境中的所有变量。这可以通过以下命令进行（点击文末“阅读原文”获取完整代码数据）。

分解南非GDP数据

本文包含各种过滤器，可用于分解南非GDP的方法。我们做的第一件事是清除当前环境中的所有变量。这可以通过以下命令进行。

1.   rm(list = ls())
2.   graphics.off()

载入数据

如前所述，南非的GDP数据将其作为时间序列存储在gdp中，我们执行以下命令。

gdp <- ts(dat.tmp, start = c(1960, 2), frequency = 4)

为了确保这些计算和提取的结果是正确的，我们检查一下数据的图表。

plot(gdp)

线性滤波器_去除数据线性趋势_

为了估计一个线性趋势，我们可以利用一个包括时间趋势和常数的线性回归模型。为了估计这样一个模型，我们使用lm命令，如下。

1.   lin.mod$fitted.values  # 拟合值与时间趋势有关
2.   ts(lin.trend, start = c(1960, 1))  # 为趋势创建一个时间序列变量
3.   gdp - linear  # 周期是数据和线性趋势之间的差异

回归的拟合值包含与线性趋势有关的信息。这些信息需要从模型对象lin.mod中提取，在上面的块中，我们将这些值分配给时间序列对象linear。然后从数据中剔除趋势，就得到了周期。

然后我们可以借助下面的命令来绘制这个结果，其中趋势和周期被绘制在不同的数字上。

1.   plot.ts(gdp, ylab = "")  
2.   lines(linear, col = "red")  
3.   legend("topleft", legend = c("data", "trend")

霍德里克 - 普雷斯科特 (Hodrick-Prescott，HP) _滤波器_对数据进行去趋势处理

要用流行的HP滤波法分解这个数据。在这种情况下，我们将lambda的值设置为1600，这也是对季度数据的建议。

1.   hp(gdp, freq = 1600)
2.   plot.ts(gdp, ylab = "")  # 绘制时间序列
3.   plot.ts(hp.decom$cycle, ylab = "")  # 绘制周期图

这似乎更准确地反映了我们对南非经济表现的理解。

---

点击标题查阅往期内容

R语言从经济时间序列中用HP滤波器，小波滤波和经验模态分解等提取周期性成分分析

转存失败重新上传取消

左右滑动查看更多

01

02

03

04

用Baxter-King滤波器去趋势数据

为了利用Baxter-King 滤波器。在这种情况下，我们需要指定周期的频带，其上限被设定为32，下限被设定为6。

1.   bk(gdp, pl = 6, pu = 32)
2.   plot.ts(gdp, ylab = "")
3.   plot.ts(cycle, ylab = "")

这似乎再次为南非经济活动的周期性提供了一个相当准确的表述。还要注意的是，周期的表示比以前提供的要平滑得多，因为噪音不包括在周期中。

Christiano-Fitzgerald滤波器去趋势数据

这个滤波器的性质与上面提供的非常相似。此外，产生与Baxter-King滤波器高度相似的结果。

1.   plot.ts(gdp, ylab = "")
2.    
3.   plot.ts(cfcycle, ylab = "")

用Beveridge-Nelson分解法 "去趋势 "数据 

为了将数据分解为随机趋势和平稳周期，我们可以采用Beveridge-Nelson分解法。当采用这种技术时，我们需要指定与平稳部分有关的滞后期的数量。在我下面的例子中，我假设有八个滞后期。

1.   plot.ts(gdp, ylab = "")
2.   lines(bn.trend, col = "red")
3.   plot.ts(bn.cycle, ylab = "")

比较周期的不同衡量标准

然后，我们可以将所有这些结果结合在一张图上，考虑各自的相似性和差异。在这个例子中，我创建了一个时间序列ts.union，但是我也可以先绘制一个单一的序列，然后再使用lines命令在上面绘制连续的图。

1.    ts.union(lin.cycle, hp.decom, bp.decom, 
2.       cf.decom, bn.cycle)
3.    
4.   plot.ts(comb, ylab = "")

谱分解

在我们考虑使用谱技术之前，最好先清除当前环境中的所有变量，并关闭所有的图。下一步是确保你可以通过使用library命令来访问这些包中的程序。

1.   library(tsm)
2.   library(TSA)
3.   library(mFilter)

使用谱技术进行分解。我们可以为三个时间序列变量生成数值，然后将它们组合成一个单一的变量。

1.   2 * cos(2 * pi * t * w\[1\]) + 3 * sin(2 * pi * t * 
2.       w\[1\])  # no.obs点上的6个周期的频率
3.   4 * cos(2 * pi * t * w\[2\]) + 5 * sin(2 * pi * t * 
4.       w\[2\])  #频率为10个周期的观察点
5.   6 * cos(2 * pi * t * w\[3\]) + 7 * sin(2 * pi * t * 
6.       w\[3\])  # 在没有观测点的情况下，频率为40个周期
7.   y <- x1 + x2 + x3

为了观察这些变量，我们可以把它们绘制在一个单独的轴上。

1.   par(mfrow = c(2, 2), mar = c(2.2, 2.2, 2, 1), cex = 0.8)
2.   plot(x1, type = "l", main = "x1")
3.   plot(x2, type = "l", main = "x2")
4.   plot(x3, type = "l", main = "x3")
5.   plot(y, type = "l", main = "y")

此后，我们可以使用周期图来考虑这些时间序列变量的每一个属性。

gram(y, main = "y", col = "red")

当然，我们可以利用一个过滤器，从总体时间序列变量中去除一些不需要的成分。为此，我们可以应用上下限相对较窄的Christiano-Fitzgerald滤波器。此后，我们使用应用于与周期有关的信息的周期图，来调查它是否成功地剔除了一些频率成分。

1.   cf(y0)
2.   gram(cycle)

这个结果将表明，滤波器已经排除了大部分的高频率成分。为了看看这个周期与之前的数据有什么关系，我们把通过滤波器的周期性信息绘制在分量上。此外，我们还将这个结果绘制在综合周期的变量上。

1.   plot(x1, type = "l", lty = 1)
2.   lines(cycle, lty = 3, lwd = 3)
3.   plot(y, type = "l", lty = 1)
4.   lines(cycle, lty = 3, lwd = 3)

在这两种情况下，它似乎都对过程中的趋势做了合理的描述。

南非商业周期的谱分解法

为了考虑如何在实践中使用这些频谱分解，我们现在可以考虑将这些技术应用于南非商业周期的各种特征中。

下一步将是运行所有的过滤器，这些过滤器被应用于识别南非商业周期的不同方法。

现在，让我们对商业周期的每一个标准应用一个周期图。

线性滤波器提供了一个很差的结果，因为趋势明显占主导地位（这不是周期应该有的）。这与Hodrick-Prescott滤波器的特征形成对比，后者的趋势信息已经被去除。Baxter & King和Christiano & Fitzgerald的带通滤波器也是这种情况。在这两种情况下，噪声也已经被去除。最后的结果与Beveridge-Nelson分解有关，我们注意到周期包括大量的趋势和大量的噪声。

小波分解

为了提供一个小波分解的例子，我们将把该方法应用于南非通货膨胀的数据。这将允许使用在这个过程中推导出对趋势的另一种衡量方法，这可以被认为是代表核心通货膨胀。请注意，这种技术可以应用于任何阶数的单整数据，所以我们不需要首先考虑变量的单整阶数。

然后，我们将利用消费者价格指数的月度数据，该数据包含在SARB的季度公告中。数据可以追溯到2002年。为了计算通货膨胀的同比指标，我们使用diff和lag命令。

diff/cpi\[-1 * (length - 11):length\]

为了确保所有这些变量的转换都已正确进行，我们对数据进行绘图。

plot(inf.yoy)

由于我们在这种情况下主要对识别平滑的趋势感兴趣，我们将使用贝希斯函数。这样的函数是Daubechies 4小波，它应用修正的离散小波变换方法。此外，我们还将使用三个母小波来处理各自的高频成分。

wt(yoy, "d4")

然后我们可以为每个独立的频率成分绘制结果，如下所示。

1.   plot.ts(yoy)
2.   for (i in 1:4) plot.ts(d4\[\[i\]\]

如果我们现在想在数据上绘制趋势（父小波）。

1.   plot.ts(inf, ylab = "inf")
2.   lines(ren)

请注意，由于各自的频段是相加的，我们可以将其中一个母频段加入到趋势中，如下所示。

1.   inf.tmp <- inf.tren + inf.d4$w3
2.   inf.tren2 <- ts(inf.tmp, start = c(2003, 1), frequency = 12)
3.    
4.   plot.ts(inf.yoy, ylab = "inf")
5.   lines(inf.tren2, col = "red")

相关经济变量的周期性成分之间的相关性

为了确定周期的特征是否合适，我们可以考虑宏观经济总量的一些不同周期性方法之间的相关性。例如，我们可以考虑产出和生产（或就业）的周期性在不同的滞后期应该是相关的。如果它们不相关，那么该方法可能无法准确描述各自变量的周期性成分。

在本文使用的例子中，代码可能有点难以理解，但我们鼓励你自己去研究，以提高你对这个编码环境的总体理解。 

下一步是读入数据并为数据的各种周期性成分创建一些矩阵。

1.   yd <- dat\[5:n.obs, \] - dat\[1:(n.obs - 4), \]  # 存储输出
2.    
3.   yc_li <- matrix(rep(0, n.obs * n.var), ncol = n.var)
4.   yc_hp <- matrix(rep(0, n.obs * n.var), ncol = n.var)
5.   yc_bp <- matrix(rep(0, n.obs * n.var), ncol = n.var)
6.   yc_bn <- matrix(rep(0, n.obs * n.var), ncol = n.var)

使用上面包含的方法对数据进行过滤。

1.   for (i in 1:n) {
2.    
3.       # 用线性滤波器对数据进行去趋势处理
4.       lin.mod <- lm(dat\[, i\] ~ time(dat\[, i\]))
5.    
6.       # 用HP滤波器去趋势数据
7.       yc_hp\[, i\] <- hp.cycle
8.    
9.       #用带通滤波器去趋势数据
10.       yc_bp\[, i\] <- bp.cycle
11.    
12.       #  Beveridge-Nelson分解
13.       yc_bn\[, i\] <- bn.\[, 2\]
14.   }

计算不同提前期和滞后期的相关关系。

1.   for (i in 1:n) {
2.       for (j in 1:n.var) {
3.           c\_li <- leadlag(yc\_li\[, i\], yc_li\[, j\], maxLeadLag)
4.           c\_hp <- leadlag(yc\_hp\[, i\], yc_hp\[, j\], maxLeadLag)
5.           c_bp 
6.           c_bn
7.           c_yd 
8.    
9.    
10.           for (k in 1:5) {
11.    
12.               ynamesLong\[(cnt + k), 1\] <- paste(ynames.tmp)
13.           }
14.           cnt <- cnt + 5

绘制结果。

1.   # 线性趋势
2.    
3.   barplot(corrStylizedFact)
4.   box()

1.   # hp滤波器
2.    
3.   op <- par(mfrow = c(1, 3))
4.   barplot(corrStyli, ylim = c(-1, 1))
5.   box()

1.   # beveridge nelson 分解
2.   barplot(coracts, ylim = c(-1, 1), col = "red")
3.   box()

---

本文摘选《R语言分解商业周期时间序列：线性滤波器、HP滤波器、Baxter滤波器、Beveridge Nelson分解等去趋势法》，点击“阅读原文”获取全文完整资料。

---

点击标题查阅往期内容

R语言时间序列分解和异常检测方法应用案例

R语言矩阵特征值分解(谱分解)和奇异值分解(SVD)特征向量分析有价证券数据

R语言从经济时间序列中用HP滤波器，小波滤波和经验模态分解等提取周期性成分分析

R语言状态空间模型和卡尔曼滤波预测酒精死亡人数时间序列

matlab实现扩展卡尔曼滤波(EKF)进行故障检测

卡尔曼滤波器：用R语言中的KFAS建模时间序列

状态空间模型：卡尔曼滤波器KFAS建模时间序列

R语言用LOESS(局部加权回归)季节趋势分解（STL）进行时间序列异常检测

使用R语言随机波动模型SV处理时间序列中的随机波动率

PYTHON用时变马尔可夫区制转换（MRS）自回归模型分析经济时间序列

R语言有限混合模型(FMM,finite mixture model)EM算法聚类分析间歇泉喷发时间

长短期记忆网络LSTM在时间序列预测和文本分类中的应用

Python随机波动率(SV)模型对标普500指数时间序列波动性预测

R语言中ARMA，ARIMA（Box-Jenkins），SARIMA和ARIMAX模型用于预测时间序列数据

R语言使用ARIMAX预测失业率经济时间序列数据

R语言用ARIMA模型，ARIMAX模型预测冰淇淋消费时间序列数据

R语言经济学：动态模型平均(DMA)、动态模型选择(DMS)预测原油时间序列价格

标签：滤波器,plot,ts,分解,序列,周期时间,数据
From： https://www.cnblogs.com/tecdat/p/16848435.html