如何处理每次有多个点的时间序列（R）？

我有一个时间序列，每个时间步都有一些不同的观察结果（对同一现象的测量，但来自不同的位置），看起来它可能有一个弱循环模式，但我不确定。我如何在R中实现acf函数，以便更好地了解发生了什么？我能把它称为整个时间序列吗？我是否需要按位置分离时间序列，以便每个日期只有一个观测值？我是否需要先拟合模型并查看残差

这取决于您希望如何存储它们。我通常以和为生，他们（强烈地）喜欢不同的和（严格地）单调递增的索引值——也就是xts的时间戳

---

因此，在一种情况下，相对于数据大小，我的碰撞“相对较少”，而对于中值增量，我的最小增量“仍然很小”，我通过使时间戳唯一来回避。事实上，我经常这样做，并且频繁地与作者通信，最终xts以

make.time.unique（）

…

的方式解决了这个问题。我将数据按位置划分，然后将它们连接为一个长时间序列。但问题是我不想考虑从一个系列的末尾到下一个系列的开头的延迟，所以我在系列之间插入了一堆NAs，并使用了参数na.action=na.pass，并将lag.max设置为我插入的NAs数量。在本例中，我的数据跨越一年，每两周观察一次（26个时间增量），因此我在每个系列之间插入了26个NAs

new.time.series<- c(Loc1Series, rep(NA,26), Loc2Series, rep(NA,26), Loc3Series,     rep(NA,26))
acf(new.time.series, na.action=na.pass, lag.max=30)

---

new.time.series我的数据以很好的时间步长出现（一年中每两周一次），但我在每个日期有5次观察，所有测量都是从不同的位置进行的。我是否应该将这些平均值作为一个时间序列来处理？或者按位置逐个查看它们？我想我可能会因为按位置逐个查看而丢失一些信息，因为如果我按这种方式划分数据，我一次拥有的数据相对较少。很难说——要么将它们分开（但“稀疏”），要么保留它们（但信息松散，需要“捏造”）。但是，嘿，你是主题专家，所以我们让你决定：）为什么不也对这些地点进行建模呢lme’确实提供了在混合效应模型中模拟ARMA相关结构的工具。这是一个很好的建议，我并没有考虑到这一点。我试试看。