R 周数据的时间序列分解

我对R完全是新手，而且刚刚开始使用它。我有三年的每周数据。我想将这个时间序列数据分解为趋势、季节和其他组成部分。我有以下疑问：

我应该使用哪个函数-tsor decompose 如何应对闰年形势。 如果我错了，请纠正我，频率是52

提前谢谢。我非常感谢您的帮助。

欢迎来到R

是的，频率是52

如果数据尚未分类为时间序列，则需要ts和分解。要查找数据集的类，请使用classdata。如果它返回ts，就R而言，您的数据已经是一个时间序列。如果它返回其他内容，如data.frame，则需要将其更改为时间序列。为tsdata分配一个变量，并再次检查该类以确保

有一个每月的时间序列数据集sunspot.month已经加载到R中，您可以在其中进行练习。这里有一个例子。您还可以通过编写“分解”来读取分解的帮助文件

调用名称表示您还可以访问单个组件数据。这可以通过$operator完成。例如，如果只想查看季节性组件，请使用decomp$seasonal

欢迎来到R

是的，频率是52

如果数据尚未分类为时间序列，则需要ts和分解。要查找数据集的类，请使用classdata。如果它返回ts，就R而言，您的数据已经是一个时间序列。如果它返回其他内容，如data.frame，则需要将其更改为时间序列。为tsdata分配一个变量，并再次检查该类以确保

有一个每月的时间序列数据集sunspot.month已经加载到R中，您可以在其中进行练习。这里有一个例子。您还可以通过编写“分解”来读取分解的帮助文件

调用名称表示您还可以访问单个组件数据。这可以通过$operator完成。例如，如果只想查看季节性组件，请使用decomp$seasonal

---

感谢您的回复。我有一个疑问，我是否可以使用stl将每周数据分解为这些组件，而不是分解？两者都会给我不同的结果吗？根据分解帮助文件-函数stl提供了更复杂的分解。请查看这两个帮助文件。在其他差异中，stl使用黄土方法，分解使用经典的自回归和移动平均模型。它们不会产生相同的结果。感谢您的回复。我有一个疑问，我是否可以使用stl将每周数据分解为这些组件，而不是分解？两者都会给我不同的结果吗？根据分解帮助文件-函数stl提供了更复杂的分解。请查看这两个帮助文件。在其他差异中，stl使用黄土方法，分解使用经典的自回归和移动平均模型。它们不会产生相同的结果。

class(sunspot.month)
[1] "ts"

> decomp <- decompose(sunspot.month)

> summary(decomp)

         Length Class  Mode     
x        2988   ts     numeric  
seasonal 2988   ts     numeric  
trend    2988   ts     numeric  
random   2988   ts     numeric  
figure     12   -none- numeric  
type        1   -none- character

> names(decomp)
[1] "x"        "seasonal" "trend"    "random"   "figure"   "type"    

> plot(decomp)  # to see the plot of the decomposed time-series