- •Version 3.1.0 (2014-04-10)
- •1.Введение и предварительные замечания 8
- •6.Списки и фреймы данных 37
- •11.Статистические модели в r 64
- •12.Графические процедуры 78
- •13.Пакеты 97
- •Предисловие
- •Предложения читателю
- •О переводе
- •Введение и предварительные замечания
- •Среда r
- •Связанное программное обеспечение и документация
- •R и статистика
- •R и оконная система
- •Использование r в интерактивном режиме
- •Первый сеанс
- •Получение справки по функциям и средствам
- •Команды r,учет регистра и т.Д.
- •Повтор и коррекция предыдущих команд
- •Выполнение команд из файла или перенаправление вывода в файл
- •Сохранение данных и удаление объектов
- •Простые манипуляции; числа и векторы
- •Вектора и присваивания
- •Векторная арифметика
- •Генерация регулярных последовательностей
- •Логические векторы
- •Пропущенные значения
- •Векторы символов
- •Векторы индексов; выбор и изменение подмножеств наборов данных
- •Другие типы объектов
- •Объекты, их режимы и атрибуты
- •Внутренние атрибуты: режим и длина
- •Изменяющаяся длина объекта
- •Получение и установка атрибутов
- •Класс объекта
- •Упорядоченные и неупорядоченные факторы
- •Специальный пример
- •Функция tapply () и массивы с переменной длиной строк
- •Упорядоченные факторы
- •Массивы и матрицы
- •Массивы
- •Индексация массива. Подразделы массива
- •Индекс матрицы
- •Функция array()
- •Смешанный вектор и арифметика массива. Правило рециркуляции
- •Внешнее произведение двух массивов
- •Обобщенное транспонирование массива
- •Матричные инструменты
- •Умножение матриц
- •Линейные уравнения и инверсия
- •Собственные значения и собственные векторы
- •Сингулярное разложение и определители
- •Подгонка методом наименьших квадратов и qr разложение
- •Формирование разделенных матриц cbind () и rbind ()
- •Функция связывания массивовc()
- •Таблицы частот от факторов
- •Списки и фреймы данных
- •Построение и изменение списков
- •Конкатенация списков
- •Фреймы данных
- •Создание фреймов данных
- •Attach() и detach()
- •Работа с фреймами данных
- •Присоединение произвольных списков
- •Управление путем поиска
- •Чтение данных из файлов
- •Функция read.Table()
- •Функция scan()
- •Доступ к встроенным наборам данных
- •Загрузка данных из других пакетов r
- •Редактирование данных
- •Распределение вероятности
- •R как ряд статистических таблиц
- •Исследование распределения набора данных
- •Тесты на одной и двух выборках
- •Группировка, циклы и условное выполнение
- •Группирующие выражения
- •Проверка утверждения
- •Условное выполнение: операторы if
- •Повторное выполнение: for, loops, repeat и while
- •Написание собственных функций
- •Простые примеры
- •Определение новых бинарных операторов
- •Именованные параметры и умолчания
- •Параметр ‘...’
- •Присвоения в пределах функций
- •Более сложные примеры
- •Фактор эффективности при проектировании блоков
- •Отбрасывание всех имен при печатании массива
- •Рекурсивное числовое интегрирование
- •Область действия
- •Настройка окружения
- •Классы, универсальные функции и объектно-ориентированное программирование
- •Статистические модели в r
- •Определение статистических моделей; формулы
- •Примеры
- •Противопоставления
- •Линейные модели
- •Универсальные функции для извлечения информации о модели
- •Дисперсионный анализ и сравнение модели
- •Таблицы anova
- •Обновление подогнанных моделей
- •Обобщенные линейные модели
- •Семейства
- •Функция glm()
- •Нелинейные наименьшие квадраты и модели наибольшего правдоподобия
- •Наименьшие квадраты
- •Метод максимального правдоподобия
- •Некоторые нестандартные модели
- •Графические процедуры
- •Высокоуровневые команды рисования
- •Функция plot()
- •Отображение многомерных данных
- •Графический вывод
- •Параметры для высокоуровневых графических функций
- •Низкоуровневые команды рисования
- •Математическая аннотация
- •Векторные шрифты Херши
- •Интерактивная графика
- •Использование графических параметров
- •Постоянные изменения: функция par()
- •Временные изменения: параметры для графических функций
- •Список графических параметров
- •Графические элементы
- •Оси и метки
- •Поля рисунка
- •Окружение составных фигур
- •Устройства вывода
- •PostScript диаграммы для типографии
- •Несколько графических устройств одновременно
- •Динамическая графика
- •Стандартные пакеты
- •Сторонние пакеты и cran
- •Пространства имен
- •Пакеты для анализа временных рядов
- •Основные пакеты - Basics
- •Время и даты -Times and Dates
- •Классы временных рядов - Time Series Classes
- •Прогноз и одномерное моделирование -Forecasting and Univariate Modeling
- •Ресэмплирование - Resampling
- •Декомпозиция и фильтрация - Decomposition and Filtering
- •Стационарность, единичный корень и коинтеграция - Stationarity, Unit Roots, and Cointegration
- •Нелинейный анализ временных рядов -Nonlinear Time Series Analysis
- •Модели динамических регрессий - Dynamic Regression Models
- •Модели многомерных временных рядов - Multivariate Time Series Models
- •Модели непрерывного времени - Continuous time models
- •Исходные временные ряды - Time Series Data
- •Разное - Miscellaneous
- •Перечень пакетов для анализа временных рядов:
- •• Aer • afmtools • bayesGarch
- •Приложение a. Примерный сеанс
- •Приложения b. Вызов r
- •В.1. Вызов r из командной строки
- •В.2. Вызов r под Windows
- •В.3. Вызов r под os X
- •В.4. Скрипты r
- •Приложение c. Редактор командной строки
- •Приложение f. Ссылки
Стационарность, единичный корень и коинтеграция - Stationarity, Unit Roots, and Cointegration
Стационарность и единичные корни: tseriesобеспечивает различные тесты стационарности и единичного корня включая Расширенный dickey-fuller, PhillipsPerron, и KPSS. Альтернативные реализации тестов ADF и KPSS находятся в urca пакете, который также включает дальнейшие методы, такие как Эллиот-РотэнбергСток, Шмидт-Филлипс и тесты Зивот-Эндрюса.fUnitRootsпакет также обеспечивает тест Маккиннона.
CADFtest обеспечивает реализации тестов и стандартного ADF и увеличенного
ковариантом ADF (CADF).
Коинтеграция: двух шаговый метод Энгл-Грейнджера с тестом коинтеграции Филлипса-Улиэриса реализован в tseriesиurca. Последний дополнительно содержит функции для трассировки Джохэнсена и тестов максимальной лямбды.
Нелинейный анализ временных рядов -Nonlinear Time Series Analysis
Нелинейная авторегрессия: Различные виды нелинейной авторегрессии доступны в tsDyn,включая аддитивную AR, нейронные сети, SETAR и модели LSTAR.bentcableARреализует авторегрессию Bent-Cable. BAYSTAR обеспечивает Байесов анализ пороговых авторегрессивных моделей.
Проект TISEAN обеспечил алгоритмы для анализа временных рядов из теории нелинейных динамических систем. RTiseanобеспечивает интерфейс R для алгоритмов, иtseriesChaosобеспечивает реализацию R алгоритмов.
Тесты: Различные тесты на нелинейность обеспечены в fNonlinear.
Модели динамических регрессий - Dynamic Regression Models
Динамические линейные модели: удобный интерфейс для подгонки динамической модели регрессии с использованием OLS, что доступно в dynlm; улучшенный подход, который также работает с другими функциями регрессии и большим количеством классов временного ряда, реализован вdyn.tslarsпакет применяет динамическую переменную процедуру отбора, используя расширение алгоритма LARS. Для более усовершенствованной подгонки уравнений динамических систем можно использоватьdse. Для подгонки Гауссовских линейных моделей в пространстве состояний можно использоватьdlm(через наибольшее правдоподобие, фильтрацию/сглаживание Кальмана и методы Bayesian).
Для подгонки моделей с изменяющимися во времени параметрами можно использовать tprпакет.
Нелинейные модели с распределенным лагом обрабатываются через dlnm пакет.
Модели многомерных временных рядов - Multivariate Time Series Models
Векторная авторегрессивная модель (VAR) обеспечена через ar()в основном пакете статистик, включая выбор порядка через AIC. Эти модели ограничены стационарностью. Возможно, нестационарные модели VAR приспособлены в пакетеmAr, который также позволяет модели VAR с основным компонентом пространства.
Более тщательно продуманные модели обеспечены в varsпакета,estVARXls()вdse, и Байесовский подход доступен в MSBVAR.fastVARиспользует быстрые реализации, чтобы оценить модели VAR (возможно с экзогенными вводами и прореженными матрицами коэффициента).
Модели VARIMA и модели в пространстве состояний обеспечены в dseпакете.EvalEstоблегчает эксперименты Монте-Карло, чтобы оценить присоединенные методы оценки.
Векторные модели коррекции ошибок доступны через пакеты urcaиvars, включая версии со структурными ограничениями.
Факторный анализ временного ряда обеспечен в tsfa.
Многомерные модели в пространстве состояний реализованы в пакете FKF(Быстрый фильтр Кальмана). Он обеспечивает относительно гибкие модели в пространстве состояний черезfkf()комментарий: параметрам пространства состояний позволяют быть изменяющимися во времени, и смещения включены в оба уравнения. Альтернативная реализация обеспечена пакетомKFAS, который обеспечивает быстрый многомерный фильтр Кальмана, более сглаживание, имитация сглаживания и прогноза. Еще одна реализация дана вdlmпакете, который также содержит инструменты для того, чтобы преобразовать другие многомерные модели в форму пространства состояний.
MARSS подгоняет ограниченные и неограниченные многомерные авторегрессивные модели в пространстве состояний, используя алгоритм EM. Все четыре пакета предполагают некоррелированность параметров наблюдений и ошибок состояний.
Частично наблюдаемые процессы Маркова - обобщение обычных линейных многомерных моделей в пространстве состояний, позволяя негауссовы и нелинейные модели. Они реализованы в пакете pomp.