2022年11月23日您要分析时间序列数据的第一件事就是将其读入R,并绘制时间序列。您可以使用scanR语言实战之时间序列分析
萌弟
生活就像马尔可夫链，决定未来的只有现在，过去的终将埋葬。
来自专栏R语言实战学习
前面的线性回归探讨的是横截面（cross-sectional）数据。在横截面数据集中，我们是在一个给定的时间点测量变量值。与之相反，纵向（longitudinal）数据则是随着时间的变化反复测量变量值。若持续跟踪某一现象，可能会获得很多了解。 对时序数据的研究包括两个基本问题： 对数据的描述 （这段时间内发生了什么）以及预测（接下来将会发生什么） 。我们可能有如下疑问。
Johnson &Johnson股价在这段时间内有变化吗？
数据会受到季度影响吗？股价是不是存在某种固定的季度变化？
我们可以预测未来的股价吗？如果可以的话，准确率有多高？
描述时序数据和预测未来值的方法有很多，而R软件具备很多其他软件都不具备的精细时序分析工具。
将分析的几个时序数据集，这些数据集在R中都可以找到，它们各有特点，适用的模型也各不相同。
本文首先介绍生成、操作时序数据的方法，对它们进行描述并画图，将它们分解成水平、趋势、季节性和随机（误差）等四个不同部分。在此基础上，我们采用不同的统计模型对其进行预测。将要介绍的方法包括基于加权平均的指数模型，以及基于附近数据点和预测误差间关联的自回归积分移动平均（ARIMA）模型。我们还将介绍模型拟合和预测准确性的评价指标。
本章内容：
在 R 中生成时序对象
时序的平滑化和季节性分解
横截面数据回归经典方法
quantreg 分位数回归
MASS BOX-COX变换
survival 生存函数、COX比例危险回归模型
mfp COX比例危险回归模型多重分数多项式
car 可以检查vif
ridge 岭回归
lars lasso回归
msgps adaptive lasso
pls 偏最小二乘
横截面数据 回归机器学习 方法
rpart.plot 画回归树
mboost boosting回归
ipred bagging回归
randomForest 随机森林回归
e1071 or kernlab SVR支持向量机回归
nnet+caret or neuralnet 神经网络
横截面数据 分类 经典方法
glm( ) 广义线性模型
MASS 的 lda( ) or mda 的 mda( ) or fda 的 fda( ) 线性判别
横截面数据 分类机器学习 方法
rpart.plot 画分类树
adabag adaboost分类、bagging分类
randomForest 随机森林分类
e1071 or kernlab SVR支持向量机分类
kknn 最近邻分类
nnet 神经网络分类
横截面数据 计数或有序因变量
Possion 散布问题（方差不等于均值）：
dglm 双广义线性模型（Tweedie分布）
MASS 的 glm.nb( ) (负二项分布）
pscl 的 zeroinfl( ) 零膨胀计数数据模型
rminer 支持向量机
mlogit 多项logit模型
MASS 的 loglm( ) or nnet 的 multinom( ) 多项分布对数线性模型
MASS 的 polr( ) or VGAM 的 vglm( ) 多项分布对数线性模型
纵向数据：多水平模型、面板数据
lme4 的 lmer( ) or nlme 的 lme( ) 线性随机效应混合模型
REEMtree 拟合固定效应部分的决策树
coxme cox随机效应分析
JM 联合模型
plm 拟合面板数据
多元分析
factanal( ) 因子分析
cluster 分层聚类
ICGE INCA指数
ggmap 画地图
NbClust 一系列聚类方法
CCA 典型相关分析
MASS 对应分析
以下为非经典多元数据分析
FactoMineR 主成分分析、对应分析（补充元素作为测试集）；多重对应分析（可以包含数量变量和分类变量）、多重因子分析、分层多重因子分析、基于主成分分析的分层聚类
多元数据的关联规则分析
arules 关联规则分析
路径建模数据的PLS分析
plspm 的函数 plspm( ) 偏最小二乘
lavvan 加协方差关系
