R语言:Nile()函数中文帮助文档(中英文对照)

loveR

Nile(datasets)
Nile()所属R语言包：datasets

                                        Flow of the River Nile
                                         尼罗河的流量

                                         译者：生物统计家园网 机器人LoveR

描述----------Description----------

Measurements of the annual flow of the river Nile at Ashwan 1871–1970.
Ashwan 1871年至1970年在尼罗河的年径流量的测量。


用法----------Usage----------





格式----------Format----------

A time series of length 100.
时间序列的长度为100。


源----------Source----------

Durbin, J. and Koopman, S. J. (2001) Time Series Analysis by State Space Methods.  Oxford University Press. http://www.ssfpack.com/DKbook.html
德宾，研究和考夫曼，SJ（2001）状态空间法的时间序列分析。牛津大学出版社。 http://www.ssfpack.com/DKbook.html


参考文献----------References----------

Journal of Business and Economic Statistics 11, 81–92.
change-point problem.  Biometrika 65, 243–51.

举例----------Examples----------


require(stats); require(graphics)
par(mfrow = c(2,2))
plot(Nile)
acf(Nile)
pacf(Nile)
ar(Nile) # selects order 2[选择2阶]
cpgram(ar(Nile)$resid)
par(mfrow = c(1,1))
arima(Nile, c(2, 0, 0))

## Now consider missing values, following Durbin & Koopman[＃现在考虑遗漏值后，德宾与库普曼]
NileNA <- Nile
NileNA[c(21:40, 61:80)] <- NA
arima(NileNA, c(2, 0, 0))
plot(NileNA)
pred <-
   predict(arima(window(NileNA, 1871, 1890), c(2,0,0)), n.ahead = 20)
lines(pred$pred, lty = 3, col = "red")
lines(pred$pred + 2*pred$se, lty=2, col="blue")
lines(pred$pred - 2*pred$se, lty=2, col="blue")
pred <-
   predict(arima(window(NileNA, 1871, 1930), c(2,0,0)), n.ahead = 20)
lines(pred$pred, lty = 3, col = "red")
lines(pred$pred + 2*pred$se, lty=2, col="blue")
lines(pred$pred - 2*pred$se, lty=2, col="blue")

## Structural time series models[＃结构时间序列模型]
par(mfrow = c(3, 1))
plot(Nile)
## local level model[＃地方级模型]
(fit <- StructTS(Nile, type = "level"))
lines(fitted(fit), lty = 2)              # contemporaneous smoothing[同期平滑]
lines(tsSmooth(fit), lty = 2, col = 4)   # fixed-interval smoothing[固定区间平滑]
plot(residuals(fit)); abline(h = 0, lty = 3)
## local trend model[＃本地趋势模型]
(fit2 &lt;- StructTS(Nile, type = "trend")) ## constant trend fitted[＃不变的趋势拟合]
pred <- predict(fit, n.ahead = 30)
## with 50% confidence interval[＃与50％的置信区间]
ts.plot(Nile, pred$pred,
        pred$pred + 0.67*pred$se, pred$pred -0.67*pred$se)

## Now consider missing values[＃现在考虑遗漏值]
plot(NileNA)
(fit3 <- StructTS(NileNA, type = "level"))
lines(fitted(fit3), lty = 2)
lines(tsSmooth(fit3), lty = 3)
plot(residuals(fit3)); abline(h = 0, lty = 3)

转载请注明:出自 生物统计家园网(http://www.biostatistic.net)。


注：
注1：为了方便大家学习，本文档为生物统计家园网机器人LoveR翻译而成，仅供个人R语言学习参考使用，生物统计家园保留版权。
注2：由于是机器人自动翻译，难免有不准确之处，使用时仔细对照中、英文内容进行反复理解，可以帮助R语言的学习。
注3：如遇到不准确之处，请在本贴的后面进行回帖，我们会逐渐进行修订。