我正在研究具有如下结构的时间序列数据：
str(tseries)
Time-Series [1:479] from 1979 to 2019: 0.0258 0.0234 0.0055 0.0302 0.0305 0.0232 0.025 0.0234 0.0074 0.0089 ...
我正在尝试进行时间序列分析，因此使用自相关函数 (ACF)。首先，它能够在运行时返回绘图：
acf(tseries)
然而，当我尝试执行已区分和记录的 acf() 函数时，它给了我一个错误：
> acf(diff(log(tseries)))
Error in na.fail.default(as.ts(x)) : missing values in object
In addition: Warning message:
In log(tseries) : NaNs produced
它所指的缺失值是什么？因为我已经确保我正在处理的数据集根本没有缺失值，如果这就是它的意思的话。
正如科里回答的那样，问题是从负值中获取日志。我想在他的回答中添加评论，以进一步解释如何解决您的问题，但事实证明我的解释太长了。
添加一个常量可以解决您的问题，但这取决于实际的数字是否有意义/是否有效。
通常，ARIMA 和自相关意味着您测量的任何值都依赖于以前的值。例如，如果我想预测明天的温度，我会查看今天的：这 2 个是相关的。
这就是自相关测试的含义：查看一个系列中的值是否与同一系列中附近的其他值相关。
在某些情况下，效果更具乘性，从 1000 增加到 1100 比从 1 增加到 101 的可能性更大。如果它是完全乘法的，从 1000 增加到 1100 的可能性与从 1 增加到 1.1 的可能性一样
在这些情况下，取对数是有意义的，对数的差异表示百分比增加或减少。这意味着日志无法处理符号中的开关：您不能通过乘以或除以任何正数来从 1 变为 -1。
这也可能取决于您的实际值的含义。任何人都会明白，温度从 1º C 升高到 2º C 与从 33.8º F 升高到 35.6º F 一样有意义，尽管第一个看起来像增加了 100%，而第二个看起来只是增加了 5% . 这意味着以摄氏或华氏温度记录是没有意义的，尽管有时以开尔文或兰金为单位的温度记录是有意义的。
实际上，大多数问题将是线性和乘法效应的混合，其中从 1000 增加到 1100 的可能性与从 1 增加到 2 或类似的可能性一样。所以这取决于你的数据代表什么，你需要找到一些自相关最强的计算。实际上，为您添加一些常量a并获取日志的建议对此非常有效！
对于选择什么常数的问题，您需要自己回答：“哪些增加与其他增加的可能性一样？”
在我的示例中，说从 1000 增加到 1100 的可能性与从 1 增加到 2 的可能性一样，意味着求解方程(1000+c)/(1100+c)==(1+c)/(2+c)，其中c是我们正在寻找的常数。这里结果是 9.09，尽管自相关函数对小差异不敏感。
你也可以玩一下它，或者尝试其他类型的功能。自相关性越强，拟合度越好。
如果您的时间序列有任何负值，log 将导致NaN，这会导致您的缺失值错误。
> a <- c(-1,2,3,4,5,6)
> acf(diff(log(a)))
Error in na.fail.default(as.ts(x)) : missing values in object
In addition: Warning message:
In log(a) : NaNs produced