时间序列相关性
时间序列相关性
提问于 2016-12-06 17:12:13
我有两个时间序列
Time No_Incidents
1 3 45
2 4 64
3 5 69
4 6 79
5 7 73
6 8 23
7 9 12
8 10 12
9 11 108
10 12 79
Time No_Changes
1 3 1
2 4 5
3 5 3
4 6 10
5 7 8
6 8 7
7 9 1
8 10 1
9 11 7
10 12 10我需要找到两个时间序列的相关性，以了解某些变化是否会导致事件尖峰。我尝试了R的ccf函数，发现与2 lags.If有显着的交叉相关。我想使用滞后图，R中是否有任何函数可以显示滞后图的交叉相关？
此外，尽管它显示了与lag=2负相关，这意味着更改会导致事件，但实际上，如果更改增加，事件就会减少，这是否有意义。
有没有办法研究这两个时间序列的相关性？
回答 1
Stack Overflow用户
发布于 2018-06-15 00:58:22
对于这两个时间序列，提供这样的分析是有问题的，因为观察量真的很少。
y1 <- structure(list(DN = 1:10, Time = 3:12, No_Incidents = c(45L,
64L, 69L, 79L, 73L, 23L, 12L, 12L, 108L, 79L)), class = "data.frame",
row.names = c(NA, -10L))
y2 <- structure(list(DN = 1:10, Time = 3:12, No_Changes = c(1L, 5L,
3L, 10L, 8L, 7L, 1L, 1L, 7L, 10L)), class = "data.frame", row.names =
c(NA, -10L))
ts1 <- ts(y1$No_Incidents)
ts2 <- ts(y2$No_Changes)
acf(ts.union(ts1, ts2), ci = 0.99)输出：
你可以看到，在置信度为99%的情况下，既没有交叉相关，也没有自动相关。因此，滞后=2的相关性在某种程度上是令人难以置信的。默认情况下，acf显示95%的置信度，因此可以偶然观察到5%的“显着”相关性。
页面原文内容由Stack Overflow提供。腾讯云小微IT领域专用引擎提供翻译支持
原文链接：
https://stackoverflow.com/questions/40991600
复制相关文章
相似问题
腾讯云开发者
