模拟自回归模型
自回归（AR）模型可以说是使用最广泛的时间序列模型。它与简单线性回归的解释非常相似，但这里的每个观测值都是对前一个观测值回归。AR 模型还将前面章节中讨论的白噪声（WN）和随机游走（RW）模型作为特例包含在内。
在前面章节中使用的通用函数 arima.sim() 也可用于从 AR 模型中模拟数据，只需将 model 参数设为 list(ar = phi)，其中 phi 是区间 (-1, 1) 内的斜率参数。还需要指定序列长度 n。
在本练习中，您将使用该命令来模拟并绘制 3 个不同的 AR 模型，其斜率参数分别为 0.5、0.9 和 -0.75。
本练习是课程的一部分
R 中的时间序列分析
练习说明
- 使用
arima.sim()模拟一个斜率为 0.5 的 AR 模型的 100 个观测值。为此，将model参数设为list(ar = 0.5)，将n参数设为100。将模拟数据保存到x。 - 以相同方式调用
arima.sim()，模拟一个斜率为 0.9 的 AR 模型的 100 个观测值。将该数据保存到y。 - 第三次调用
arima.sim()，模拟一个斜率为 -0.75 的 AR 模型的 100 个观测值。将该数据保存到z。 - 使用
plot.ts()配合cbind()绘制这 3 个时间序列对象（x、y、z）。
交互式实操练习
通过完成这段示例代码来试试这个练习。
# Simulate an AR model with 0.5 slope
x <- arima.sim(model = ___, n = ___)
# Simulate an AR model with 0.9 slope
y <-
# Simulate an AR model with -0.75 slope
z <-
# Plot your simulated data
plot.ts(cbind(___, ___, ___))