第一讲应用实例•R的基本界面是一个交互式命令窗口，命令提示符是一个大于号，命令的结果马上显示在命令下面。

•S命令主要有两种形式：表达式或赋值运算（用’<－’或者’=’表示）。

在命令提示符后键入一个表达式表示计算此表达式并显示结果。

赋值运算把赋值号右边的值计算出来赋给左边的变量。

•可以用向上光标键来找回以前运行的命令再次运行或修改后再运行。

•S是区分大小写的，所以x和X是不同的名字。

我们用一些例子来看R软件的特点。

假设我们已经进入了R的交互式窗口。

如果没有打开的图形窗口，在R中，用：> x11() 可以打开一个作图窗口。

然后，输入以下语句：x1 = 0:100x2 = x1*2*pi/100y = sin(x2)plot(x2,y,type="l")这些语句可以绘制正弦曲线图。

其中，“=”是赋值运算符。

0:100表示一个从0到100 的等差数列向量。

第二个语句可以看出，我们可以对向量直接进行四则运算，计算得到的x2 是向量x1的所有元素乘以常数2*pi/100的结果。

从第三个语句可看到函数可以以向量为输入，并可以输出一个向量，结果向量y的每一个分量是自变量x2的每一个分量的正弦函数值。

plot(x2,y, type="l",main="画图练习",sub="好好练", xlab="x轴",ylab='y轴')有关作图命令plot的详细介绍可以在R中输入help(plot)数学函数abs，sqrt：绝对值，平方根log, log10, log2 , exp：对数与指数函数sin，cos，tan，asin，acos，atan，atan2：三角函数sinh，cosh，tanh，asinh，acosh，atanh：双曲函数简单统计量sum, mean, var, sd, min, max, range, median, IQR（四分位间距）等为统计量，sort，order，rank 与排序有关，其它还有ave，fivenum，mad，quantile，stem等。

下面我们看一看S的统计功能:> marks <- c(10, 6, 4, 7, 8)> mean(marks)> sd(marks)> min(marks)> max(marks)第一个语句输入若干数据到一个向量，函c()用来把数据组合为一个向量。

后面用了几个函数来计算数据的均值、标准差、最小值、最大值。

可以把若干行命令保存在一个文本文件中，然后用source函数来运行整个文件：> source("C:/l.R") 注意字符串中的反斜杠。

例:计算6, 4, 7, 8，10的均值和标准差，把若干行命令保存在一个文本文件（比如C:\1.R）中，然后用source函数来运行整个文件。

a<- c(10, 6, 4, 7, 8)b<-mean(a)c<-sd(a)source("C:/1.R")时间序列数据的输入使用函数tsts(1:10, frequency = 4, start = c(1959, 2))print( ts(1:10, frequency = 7, start = c(12, 2)), calendar = TRUE)a<-ts(1:10, frequency = 4, start = c(1959, 2))plot(a)将外部数据读入Rread.csv默认header = TRUE，也就是第一行是标签，不是数据。

read.table默认header = FALSE将R中的数据输出writewrite.tablewrite.csv第二讲1. 绘制时序图、自相关图例题2.1d=scan("sha.csv")sha=ts(d,start=1964,freq=1)plot.ts(sha) #绘制时序图acf(sha,22) #绘制自相关图，滞后期数22pacf(sha,22) #绘制偏自相关图，滞后期数22corr=acf(sha,22) #保存相关系数cov=acf(sha,22,type = "covariance") #保存协方差图的保存，单击选中图，在菜单栏选中“文件”，再选“另存为”。

同时显示多个图：用x11()命令生成一个空白图，再输入作图命令。

2. 同时绘制两组数据的时序图d=read.csv("double.csv",header=F)double=ts(d,start=1964,freq=1)plot(double, plot.type = "multiple") #两组数据两个图plot(double, plot.type = "single") #两组数据一个图plot(double, plot.type = "single",col=c("red","green"),lty=c(1,2)) #设置每组数据图的颜色、曲线类型)3.产生服从正态分布的随机观察值例题2.4 随机产生1000白噪声序列观察值d=rnorm(1000,0,1) #个数1000 均值0 方差1plot.ts(d)4.纯随机性检验例题2.3续d=scan("temp.csv")temp=ts(d,freq=1,start=c(1949))Box.test(temp, type="Ljung-Box",lag=6)5.差分计算x=1:10y=diff(x)k 步差分k t t t k x x x -∇=- 加入参数 lag=k如计算x 的3步差分为y=diff(x, lag = 3)p 阶差分 111p p p t t t x x x ---∇=∇-∇加入参数differences = p 如2阶差分21t t t x x x -∇=∇-∇ y=diff(x,differences = 2)第三讲例题3.1plot.ts(arima.sim(n = 100, list(ar = 0.8)))#模拟AR(1)模型，并作时序图。

plot.ts(arima.sim(n = 100, list(ar = -1.1)))#非平稳，无法得到时序图。

plot.ts(arima.sim(n = 100, list(ar = c(1,-0.5))))plot.ts(arima.sim(n = 100, list(ar = c(1,0.5))))例题3.5acf(arima.sim(n = 100, list(ar = 0.8)))acf (arima.sim(n = 100, list(ar = -1.1)))acf (arima.sim(n = 100, list(ar = c(1,-0.5))))acf (arima.sim(n = 100, list(ar = c(1,0.5))))例题3.7arima.sim(n = 1000, list(ar = 0.5, ma = -0.8))acf(arima.sim(n = 1000, list(ar = 0.5, ma = -0.8)),20)pacf(arima.sim(n = 1000, list(ar = 0.5, ma = -0.8)),20)例题2.5d=scan("a1.5.txt") #导入数据prop=ts(d,start=1950,freq=1) #转化为时间序列数据plot(prop) #作时序图acf(prop,12) #作自相关图，拖尾pacf(prop,12) #作偏自相关图，1阶截尾Box.test(prop, type="Ljung-Box",lag=6)#纯随机性检验,p 值小于5%，序列为非白噪声Box.test(prop, type="Ljung-Box",lag=12)arima(prop, order = c(1,0,0),method="ML")#用AR(1)模型拟合，如参数method="CSS"，估计方法为条件最小二乘法，用条件最小二乘法时，不显示AIC 。

arima(prop, order = c(1,0,0),method="ML", include.mean = F) #用AR(1)模型拟合，不含截距项。

tsdiag(arima(prop, order = c(1,0,0),method="ML"))#对估计进行诊断，判断残差是否为白噪声summary(arima(prop, order = c(1,0,0),method="ML"))a=arima(prop, order = c(1,0,0),method="ML")r=a$residuals#用r来保存残差Box.test(r,type="Ljung-Box",lag=6)#对残差进行纯随机性检验predict(arima(prop, order = c(1,0,0)), n.ahead =5) #预测未来5期prop.fore = predict(arima(prop, order = c(1,0,0)), n.ahead =5)#将未来5期预测值保存在prop.fore变量中U = prop.fore$pred + 1.96* prop.fore$seL = prop.fore$pred – 1.96* prop.fore$se#算出95%置信区间ts.plot(prop, prop.fore$pred,col=1:2)#作时序图，含预测。

lines(U, col="blue", lty="dashed")lines(L, col="blue", lty="dashed")#在时序图中作出95%置信区间例题3.9d=scan("a1.22.txt")x=diff(d)arima(x, order = c(1,0,1),method="CSS")tsdiag(arima(x, order = c(1,0,1),method="CSS"))第一点：对于第三讲中的例2.5，运行命令arima(prop, order = c(1,0,0),method="ML")之后，显示：Call:arima(x = prop, order = c(1, 0, 0), method = "ML")Coefficients:ar1 intercept0.6914 81.5509s.e. 0.0989 1.7453sigma^2 estimated as 15.51: log likelihood = -137.02, aic = 280.05注意：intercept下面的81.5509是均值，而不是截距！虽然intercept是截距的意思，这里如果用mean会更好。