Was sagt uns der Zeitindex?
Manche Daten sind von Natur aus gleichmäßig über die Zeit verteilt. Die Zeitreihe discrete_data in der oberen Abbildung hat 20 Beobachtungen, mit jeweils einer Beobachtung an jedem der diskreten Zeitindizes 1 bis 20. Ein diskreter Zeitindex ist für discrete_data passend.
Die Zeitreihe continuous_series in der unteren Abbildung hat ebenfalls 20 Beobachtungen. Sie folgt demselben periodischen Muster wie discrete_data, aber ihre Beobachtungen sind nicht gleichmäßig verteilt. Die erste, zweite und letzte Beobachtung wurden zu den Zeitpunkten 1.210322, 1.746137 bzw. 20.180524 erfasst. Ein kontinuierlicher Zeitindex ist für continuous_series naheliegend. Die Beobachtungen sind jedoch ungefähr gleichmäßig verteilt, mit etwa 1 Beobachtung pro Zeiteinheit. Lass uns untersuchen, wie es aussieht, wenn wir für continuous_series einen diskreten Zeitindex verwenden.
Diese Übung ist Teil des Kurses
<Kurs>Zeitreihenanalyse in R</Kurs>Übungsanweisungen
- Verwende
plot(___, ___, type = "b"), umcontinuous_seriesgegencontinuous_time_index(den kontinuierlichen Zeitindex) darzustellen. - Erzeuge einen Vektor 1:20, der als diskreter Zeitindex verwendet wird.
- Verwende nun
plot(___, ___, type = "b"), umcontinuous_seriesgegendiscrete_time_indexdarzustellen. - Notiere dir die verschiedenen Unterschiede zwischen den resultierenden Abbildungen. Die Approximation wirkt jedoch sinnvoll, weil der übergeordnete Trend erhalten bleibt.
Interaktive praktische Übung
Versuche dich an dieser Übung, indem du diesen Beispielcode vervollständigst.
# 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")