@[toc]
Q型分析：样本之间的关系（聚类算法等）
R型分析：变量之间的关系（主成分分析、因子分析等）。
有时候我们不仅要弄清样本之间和变量之间的关系，还要弄清 样本与变量之间的关系 ，而对应分析就是这样一种分析方法。（变量就是指特征）
对应分析为我们可以提供三个方面的信息
上述三方面信息都可以通过二维图呈现出来
当对两个分类变量进行的对应分析称为 简单对应分析 ；
对两个以上的分类变量进行的对应分析称为 多重对应分析 。
对应分析将变量及变量之间的联系同时反映在一张二维或三维的散点图上，并使联系密切的类别点较集中，联系疏远的类别点较分散；通过观察对应分布图就能直观地把握变量类别之间的联系。
对于该方法，在减少维度方面与因子分析相似，在作分布图方面与多维尺度方法相似。
在对数据作对应分析之前，需要先了解因素间是否独立。如果因素之间相互独立，则没有必要进行对应分析，当因素间在统计学上具有显著的关联性时，在此基础上使用对应分析方法，其分析结果才具有意义。
p-value <0.001，两组变量显著不独立，说明具有相关性。
1、对象类属性的不同
首先，mode和typeof可以归为一个类别，class是另外一个类别。mode和typeof描述的是数据在内存中的存储类型；class描述的是对象的类属性，因为历史的原因更新过好多次，前身是S语言，所以R语言中数据对象的存储类型变化过好多次。
2、精确度的不同
mode和storage.mode得到的是一种比较古老的类型，来自于S语言，其中storage.mode比mode要更精确mode(3L)#numericstorage.mode(3L)#integertypeof是一种最新的查看类型的函数，针对于R语言而非S语言，而且更为精确，更为细致。
对于指定类属性的数据对象，class和oldClass的结果是一样的a=data.frame(1:10)oldClass(a)#"data.frame"class(a)#"data.frame"但是如果没有指定数据对象的类属性，那么oldClass返回NULL，而class会根据数据对象的存储类型（type）与维度属性来自动给出一个类属性。
3、表示方式的不同
mode：表示对象在内存中的存储类型，基本数据类型'atomic'mode：numeric（Integer/double）,complex,character和logical，递归的对象（recursiveobject）：'list'或'function'。
class：是一种抽象类型，或者理解为一种数据结构（数据框，因子，列表），他主要是用来给泛型函数（参考java中泛型的概念）识别参数用。所以当给函数传参数的时候如果发生错误，就查看class属性。
使用R语言进行时间序列(arima,指数平滑)分析 - 拓端研究室TRL...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
