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.
To ćwiczenie jest częścią kursu
Analiza szeregów czasowych w R
Instrukcje do ćwiczenia
- Użyj
plot(___, ___, type = "b"), aby wyświetlićcontinuous_seriesw zależności odcontinuous_time_index, czyli ciągłego indeksu czasu. - Utwórz wektor 1:20, który posłuży jako dyskretny indeks czasu.
- Teraz użyj
plot(___, ___, type = "b"), aby wyświetlićcontinuous_seriesw zależności oddiscrete_time_index. - Zwróć uwagę na różnice między wykresami – przybliżenie wydaje się jednak rozsądne, ponieważ ogólny trend został zachowany.
Interaktywne ćwiczenie praktyczne
Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.
# 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")