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
Zeitreihenanalyse in R
Anleitung zur Übung
- 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 Übung
Vervollständige den Beispielcode, um diese Übung erfolgreich abzuschließen.
# 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")