0

这是我的玩具时间序列数据：

library(tidyverse); library(tsibble); library(feasts)

df <- tibble::tribble(
         ~date,     ~A,     ~B,     ~C,
   "1/31/2010",     NA,  0.017,     NA,
   "2/28/2010",     NA,  0.027,     NA,
   "3/31/2010",     NA,  0.003,  0.003,
   "4/30/2010", -0.022,  0.018,  0.018,
   "5/31/2010", -0.036,   0.02,   0.02,
   "6/30/2010", -0.046,  0.023,  0.023,
   "7/31/2010",     NA,  0.027,  0.027,
   "8/31/2010", -0.022,  0.008,  0.008,
   "9/30/2010",  0.059, -0.003, -0.003,
  "10/31/2010",  0.024,  0.058,  0.058,
  "11/30/2010",     NA,  0.023,     NA,
  "12/31/2010",     NA,  0.014,     NA
  )

我想计算多个时间序列的自相关（acf）。忽略插补部分，我需要：

  1. 删除具有中间 NA 的变量（而不是时间序列开始和结束的变量），例如 2010 年 7 月 31 日的 A 的 NA。所以在这种情况下，删除变量 A。
  2. 可能使用 B 和 C 上 feasts 包中的 ACF 函数计算自相关性。

我从这里开始并陷入困境：

df %>%
      mutate(date = mdy(date)) %>% 
      pivot_longer(cols = -date) %>% 
      as_tsibble(key = name, index = date) %>% 
      ACF()

预期输出将具有每个可能的滞后序列的自相关。像 B 将有 10-11 个值 10 滞后和系列 B 相同

4

1 回答 1

2

关于第 1 部分

我们可以利用rle. 让我们定义一个简洁的自定义函数has_middle_NA

has_middle_NA <- function(x) {
    rl <- rle(is.na(x))$values
    any(rl[-c(1, length(rl))])
}

然后

df %>%
    group_by(date) %>%
    select_if(~ !has_middle_NA(.x)) %>%
    ungroup()
## A tibble: 12 x 3
#   date            B      C
#   <chr>       <dbl>  <dbl>
# 1 1/31/2010   0.017 NA
# 2 2/28/2010   0.027 NA
# 3 3/31/2010   0.003  0.003
# 4 4/30/2010   0.018  0.018
# 5 5/31/2010   0.02   0.02
# 6 6/30/2010   0.023  0.023
# 7 7/31/2010   0.027  0.027
# 8 8/31/2010   0.008  0.008
# 9 9/30/2010  -0.003 -0.003
#10 10/31/2010  0.058  0.058
#11 11/30/2010  0.023 NA
#12 12/31/2010  0.014 NA

这将删除所有带有NAs 且不是前导或尾随的列。

关于第 2 部分

根据您提供的数据，我仍然不清楚您要使用 ACF 做什么；但也许这会有所帮助。

关键是将您的数据视为每月数据，忽略当天。那么我们可以：

  • 使用将您的数据转换为月度数据zoo::yearmon，
  • 选择那些没有NA“中间”的列，
  • 从宽到长转换并tsibble从每一列创建一个，
  • 用于feasts::ACF计算每一列的 ACF，并将结果存储在s的list列中tsibble
library(tsibble)
library(tidyverse)
library(feasts)
library(zoo)
df <- df %>%
    mutate(date = as.yearmon(date, format = "%m/%d/%Y")) %>%
    group_by(date) %>%
    select_if(~ !has_middle_NA(.x)) %>%
    ungroup() %>%
    pivot_longer(-date) %>%
    group_by(name) %>%
    nest() %>%
    mutate(
        data = map(data, as_tsibble),
        ACF = map(data, ACF))
## A tibble: 2 x 3
## Groups:   name [2]
#  name  data               ACF
#  <chr> <list>             <list>
#1 B     <tsibble [12 × 2]> <tsibble [10 × 2]>
#2 C     <tsibble [12 × 2]> <tsibble [7 × 2]>
于 2020-06-25T12:50:03.340 回答