Rと時系列(3)
で表現するモデルを自己回帰条件付き分散不均一(ARCH: AutoRegressive Conditional Heteroscedastic) モデルと呼び、通常ARCHモデルと呼ぶ。式の中のωは定数である。 さらに、ARCHモデルを次のように拡張したものをGARCH(Generalized ARCH)モデルと呼ぶ。 また、条件付き分散の非対称性を表すTGARCH(Threshold GARCH)モデル、GARCHモデルとTGARCHモデルを統合したAPARCH(Asymmetric Power ARCH)モデルも提案されている[1][2][3]。 パッケージtseries、fSeriesにはこれらのモデルに関連する関数が用意されている。これらのパッケージは、いずれもCRANミラサイトからダウンロードできる。パッケージtseriesには、GARCHモデルを当てはめる関数garchが
Rと時系列(2)
回帰分析と同様に時系列データ解析の主要な目的は、収集したデータを用いてモデルを作成し、将来の予測やシステムの制御などを行うことである。 時系列データのモデルは で表現でき、かつ|a|=1(単位根)である場合、ランダムウォークと呼ばれる。ランダムウォークで表現される時系列データは非定常である。時系列データを分析する際には、まずデータの変動がランダムウォークで表現できるか、そうでないかを調べることが重要である。 時系列がランダムウォークで表現できるか否かを検定することを単位根検定と呼ぶ。単位根検定は「単|a|=1が存在する」という帰無仮説検定で、1970年代後半にDickey-Fullerによって初めて考案され、その後Phillips-Perron検定、McKinnons's検定などが提案されている。 Rには、Phillips-Perron検定に関する関数PP.testがある。データlhの
Ｒと時系列(1)
時間とともに変動する現象に対して時間の順序で測定・観測した結果の記録を時系列データと言い、略して時系列(time series)と言う。時系列データは多くの分野で様々な目的で取り扱われる。日常の社会生活の中でよく見受けられるものには、心電図や脳波のような医療データ、気温や気圧のような気象データ、株価および為替レートのような金融・経済データなどがある。 時系列データは、常に変動を伴うものである。その振る舞いを統計的に分析し、データ変動の特徴を捉え、現象の解明と将来の変動を予測・制御しようとするのが時系列データ分析の主要な目的である。 ちなみに、2003年ノーベル経済学賞の受賞の対象となった内容は、経済時系列分析に関するものである。
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
