Co nám říká časový index?
Některá data jsou přirozeně rovnoměrně rozložena v čase. Časová řada discrete_data zobrazená v horním grafu má 20 pozorování – každé odpovídá jednomu diskrétnímu časovému indexu v rozsahu 1 až 20. Pro discrete_data je diskrétní časové indexování vhodné.
Časová řada continuous_series zobrazená v dolním grafu má také 20 pozorování a sleduje stejný periodický vzor jako discrete_data, ale její pozorování nejsou rovnoměrně rozložena. První, druhé a poslední pozorování byla zaznamenána v časech 1,210322, 1,746137 a 20,180524. Pro continuous_series je přirozené spojité časové indexování, přičemž pozorování jsou přibližně rovnoměrně rozložena – přibližně 1 pozorování na časovou jednotku. Pojďme prozkoumat, jak se projeví použití diskrétního časového indexování pro continuous_series.
Toto cvičení je součástí kurzu
Analýza časových řad v R
Pokyny k cvičení
- Pomocí
plot(___, ___, type = "b")vykreslicontinuous_seriesoproticontinuous_time_index, tedy jejímu spojitému časovému indexu. - Vytvoř vektor 1:20, který použiješ jako diskrétní časový index.
- Teď pomocí
plot(___, ___, type = "b")vykreslicontinuous_seriesoprotidiscrete_time_index. - Všimni si různých rozdílů mezi výslednými grafy – aproximace se ale zdá rozumná, protože celkový trend zůstal zachován.
Interaktivní cvičení na vyzkoušení si v praxi
Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.
# Plot the continuous_series using continuous time indexing
par(mfrow=c(2,1))
plot(continuous_time_index,___, type = "b")
# Make a discrete time index using 1:20
discrete_time_index <-
# Now plot the continuous_series using discrete time indexing
plot(discrete_time_index,___, type = "b")