1. Nauka
    2. /
  2. Kursy
    3. /
  3. Analiza szeregów czasowych w R
Connected

ćwiczenie

Co mówi nam indeks czasu?

Niektóre dane są z natury równomiernie rozmieszczone w czasie. Szereg czasowy discrete_data widoczny na górnym wykresie ma 20 obserwacji – po jednej dla każdego z dyskretnych indeksów czasu od 1 do 20. Dla discrete_data odpowiednie jest dyskretne indeksowanie czasu.

Szeregczasowy continuous_series widoczny na dolnym wykresie również ma 20 obserwacji i podąża za tym samym okresowym wzorcem co discrete_data, jednak jego obserwacje nie są równomiernie rozmieszczone. Pierwsza, druga i ostatnia obserwacja zostały zarejestrowane odpowiednio w momentach 1,210322, 1,746137 i 20,180524. Dla continuous_series naturalne jest ciągłe indeksowanie czasu, jednak obserwacje są rozmieszczone w przybliżeniu równomiernie – około 1 obserwacja na jednostkę czasu. Sprawdźmy, jak sprawdzi się dyskretne indeksowanie czasu dla continuous_series.

Instrukcje

100 XP
  • Użyj plot(___, ___, type = "b"), aby wyświetlić continuous_series w zależności od continuous_time_index, czyli ciągłego indeksu czasu.
  • Utwórz wektor 1:20, który posłuży jako dyskretny indeks czasu.
  • Teraz użyj plot(___, ___, type = "b"), aby wyświetlić continuous_series w zależności od discrete_time_index.
  • Zwróć uwagę na różnice między wykresami – przybliżenie wydaje się jednak rozsądne, ponieważ ogólny trend został zachowany.