Vad berättar tidsindexet för oss?
En del data är naturligt jämnt fördelade över tid. Tidsserien discrete_data som visas i den övre figuren har 20 observationer, med en observation vid vart och ett av de diskreta tidsindexen 1 till 20. Diskret tidsindexering passar väl för discrete_data.
Tidsserien continuous_series som visas i den nedre figuren har också 20 observationer och följer samma periodiska mönster som discrete_data, men observationerna är inte jämnt fördelade. Den första, andra och sista observationen registrerades vid tidpunkterna 1,210322, 1,746137 respektive 20,180524. Kontinuerlig tidsindexering är naturlig för continuous_series, men observationerna är ungefär jämnt fördelade med cirka en observation per tidsenhet. Låt oss undersöka vad som händer om vi använder ett diskret tidsindex för continuous_series.
Den här övningen är en del av kursen
Tidsserieanalys i R
Övningsinstruktioner
- Använd
plot(___, ___, type = "b")för att visacontinuous_seriesmotcontinuous_time_index, dess kontinuerliga tidsindex - Skapa en vektor 1:20 som ska användas som ett diskret tidsindex.
- Använd nu
plot(___, ___, type = "b")för att visacontinuous_seriesmotdiscrete_time_index - Notera skillnaderna mellan de resulterande figurerna – approximationen verkar ändå rimlig eftersom den övergripande trenden bevaras
Interaktiv övning med praktiskt arbete
Testa den här övningen genom att slutföra den här exempelkoden.
# 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")