在R中,有没有办法将acf和其他时间序列函数用于多个实体,但将其视为单变量
基本上,我希望能够有一个时间序列,具有多个实体,但在某种意义上,它被视为一个具有多个重置的单一序列。例如,多只股票的每日价格变化,能够计算所有股票作为一个组的时间序列统计数据,而不是每个股票的时间序列统计数据。我可以为多个股票创建一个矩阵。但当我这样做时,调用函数(如acf)会分别处理每个股票,生成一个多面板图,将每个系列中的自相关性与所有其他系列中的自相关性进行比较。我想要一个单一的图表,显示所有股票的自相关性。在R中有什么方法可以做到这一点吗 `要求(润滑)在R中,有没有办法将acf和其他时间序列函数用于多个实体,但将其视为单变量,r,time-series,R,Time Series,基本上,我希望能够有一个时间序列,具有多个实体,但在某种意义上,它被视为一个具有多个重置的单一序列。例如,多只股票的每日价格变化,能够计算所有股票作为一个组的时间序列统计数据,而不是每个股票的时间序列统计数据。我可以为多个股票创建一个矩阵。但当我这样做时,调用函数(如acf)会分别处理每个股票,生成一个多面板图,将每个系列中的自相关性与所有其他系列中的自相关性进行比较。我想要一个单一的图表,显示所有股票的自相关性。在R中有什么方法可以做到这一点吗 `要求(润滑) n1)我们可以通过使用。下面绘制
n1)我们可以通过使用。下面绘制了各公司的AUITO相关性以及各滞后的平均值(粗体)。我们将autocorrel
函数包含在try
中,在这种情况下,它将为坏公司数据提供错误消息,但仍会为其他数据提供结果。(如果您不想看到错误消息,请使用silent=
参数来尝试或解决潜在问题。)
给予:
Generalized least squares fit by REML
Model: change ~ symbol - 1
Data: raw
Log-restricted-likelihood: 1950.228
Coefficients:
symbolCompany1 symbolCompany2 symbolCompany3 symbolCompany4 symbolCompany5
0.0014916739 -0.0005797750 -0.0002394351 0.0006663767 0.0001541708
symbolCompany6 symbolCompany7 symbolCompany8 symbolCompany9 symbolCompany10
-0.0003972843 0.0003506882 0.0005941818 -0.0002036649 0.0003041018
Correlation Structure: AR(1)
Formula: ~date | symbol
Parameter estimate(s):
Phi
-0.050775
Degrees of freedom: 618 total; 608 residual
Residual standard error: 0.009474571
因此,滞后0,1,2。。。它们是:
> (-0.050775)^(0:10)
[1] 1.000000e+00 -5.077500e-02 2.578101e-03 -1.309031e-04 6.646603e-06
[6] -3.374813e-07 1.713561e-08 -8.700606e-10 4.417733e-11 -2.243104e-12
[11] 1.138936e-13
更新:海报后来添加了相应修改的数据。还添加了(2)并进行了一些更正。我最终使用了我在OP中编写的自动相关包装功能。我想我的问题的答案是,目前R中不存在此功能,必须手动编码。但我要感谢Msr Grothendieck对这个问题的巧妙解决。R中面板数据的真实自相关函数是collapse::psacf
,它的工作原理是首先标准化每组中的数据,然后使用适当的面板滞后计算组标准化面板序列上的自方差。实现在C++中,而且非常快。我想我还是不太清楚。我不想要多个股票/实体。只是一个跨所有实体的分组,忽略甚至有多个实体的事实,除了明显的滞后不应该跨两个实体。平均法在一定程度上有效,但它的问题是相关性无法精确平均。如果股票遵循相同的模型,那么它们的真实相关性是相同的,到LLN时,样本平均值将收敛到它。此外,我还添加了gls
方法,以防更符合您的追求。
library(nlme)
gls(change ~ symbol-1, raw, corAR1(form = ~ date | symbol)
Generalized least squares fit by REML
Model: change ~ symbol - 1
Data: raw
Log-restricted-likelihood: 1950.228
Coefficients:
symbolCompany1 symbolCompany2 symbolCompany3 symbolCompany4 symbolCompany5
0.0014916739 -0.0005797750 -0.0002394351 0.0006663767 0.0001541708
symbolCompany6 symbolCompany7 symbolCompany8 symbolCompany9 symbolCompany10
-0.0003972843 0.0003506882 0.0005941818 -0.0002036649 0.0003041018
Correlation Structure: AR(1)
Formula: ~date | symbol
Parameter estimate(s):
Phi
-0.050775
Degrees of freedom: 618 total; 608 residual
Residual standard error: 0.009474571
> (-0.050775)^(0:10)
[1] 1.000000e+00 -5.077500e-02 2.578101e-03 -1.309031e-04 6.646603e-06
[6] -3.374813e-07 1.713561e-08 -8.700606e-10 4.417733e-11 -2.243104e-12
[11] 1.138936e-13