第11章

11.1幹預分析

library(TSA)
win.graph(width = 4.875,height = 2.5,pointsize = 8)
data(airmiles)
plot(log(airmiles),ylab = ‘log(airmiles‘,xlab = ‘year‘)

#美國航空的每月客運裏程：1996年1月~2005年5月

as.vector(diff(diff(window(log(airmiles),end = c(2001,8)),12))),lag.max = 48)

#幹預期（1-B）（1-B12）log（航空客運裏程）的樣本ACF　　

air.ma1 <- arimax(log(airmiles),order = c(0,1,1),
                  seasonal = list(order = c(0,1,1),period = 12
                  ),xtransf = data.frame(I911 = 1*(seq(airmiles)==69),
                  I911 = 1*(seq(airmiles)==69)),
                  transfer = list(c(0,0),c(1,0)),xreg = data.frame(
                Dec96 = 1*(seq(airmiles)==12),
                  Jan97 = 1*(seq(airmiles)==13),Dec02 = 1*(seq(airmiles)==84)),
                  method = ‘ML‘)
air.ma1

　　#對數化航空客運裏程的幹預模型的估計

plot(log(airmiles),ylab = ‘Log(airmiles)‘)
points(fitted(air.ma1))

　　#對數化的航空客運裏程與擬合值

Nine11p <- 1*(seq(airmiles)==69)
plot(ts(Nine11p*(-0.0949)+filter(Nine11p,filter = 0.8139,method = ‘recursive‘,side = 1)
        *(-0.2715),frequency = 12,start = 1996),ylab = ‘9/11‘,type = ‘h‘)
abline(h = 0)

　　#9.11事件對航空客運量序列所造成影響的估計

11.2異常值

　　指的是一些不規則的觀測值，其出現可能源自測量誤差與復制誤差其中之一，或者兩者都有可能，也可能源於基礎過程發生了短期性變化。

　　對於時間序列來說可識別的異常值有兩種，可加異常值與新息異常值，簡記為AO/IO.

《時間序列分析及應用.R語言》第十一章閱讀筆記