Wat vertelt de tijdsindex ons?
Sommige gegevens zijn van nature gelijkmatig over de tijd verdeeld. De tijdreeks discrete_data in de bovenste figuur heeft 20 observaties, met één observatie op elk van de discrete tijdsindices 1 tot en met 20. Discrete tijdsindexering is geschikt voor discrete_data.
De tijdreeks continuous_series in de onderste figuur heeft ook 20 observaties. Hij volgt hetzelfde periodieke patroon als discrete_data, maar de observaties zijn niet gelijkmatig verdeeld. De eerste, tweede en laatste observatie zijn respectievelijk gemeten op tijdstippen 1.210322, 1.746137 en 20.180524. Continue tijdsindexering is natuurlijk voor continuous_series. De observaties zijn echter ongeveer gelijkmatig verdeeld, met ongeveer 1 observatie per tijdseenheid. Laten we onderzoeken of we een discrete tijdsindexering kunnen gebruiken voor continuous_series.
Deze oefening maakt deel uit van de cursus
Tijdreeksanalyse in R
Oefeninstructies
- Gebruik
plot(___, ___, type = "b")omcontinuous_seriesuit te zetten tegencontinuous_time_index, de continue tijdsindex. - Maak een vector 1:20 om te gebruiken als discrete tijdsindex.
- Gebruik nu
plot(___, ___, type = "b")omcontinuous_seriesuit te zetten tegendiscrete_time_index. - Let op de verschillende verschillen tussen de resulterende figuren. De benadering lijkt echter redelijk, omdat de algemene trend behouden blijft.
Praktische interactieve oefening
Probeer deze oefening eens door deze voorbeeldcode in te vullen.
# 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")