如何处理每次都有多个点的时间序列（在 R 中）？答案

【问题标题】：How to deal with a time series with multiple points at each time (in R)?如何处理每次都有多个点的时间序列（在 R 中）？
【发布时间】：2012-07-01 00:52:03
【问题描述】：

我有一个时间序列，在每个时间步都有一些不同的观察结果（对同一现象的测量，但来自不同的位置），看起来它可能具有弱循环模式，但我不确定。我将如何在 R 中实现 acf 函数以更好地了解正在发生的事情？我可以按原样在整个时间序列上调用它吗？我是否需要按位置分隔时间序列，以便每个日期只有一个观察值？我需要先拟合模型并查看残差吗？

【问题讨论】：

为什么不也对位置进行建模呢？ 'nlme::lme' 确实提供了在混合效应模型中对 ARMA 相关结构进行建模的工具。
很好的建议，我没有考虑过。我试试看。

标签： r statistics time-series

【解决方案1】：

这取决于您希望如何存储它们。我通常以xts 和zoo 为生死，他们（强烈）更喜欢不同且（严格）单调递增的索引值——也就是xts 的时间戳。

因此，在一种情况下，相对于数据大小，我的冲突“相对较少”，并且最小增量“仍然很小”到中值增量，我通过使时间戳唯一来捏造。事实上，我经常这样做，并且经常与作者发送邮件，以至于 xts 最终得到了make.time.unique() ...

【讨论】：

我的数据以漂亮、整洁的时间步长出现（一年每两周一次），但我从每个日期都有 5 个观察值，所有测量值都来自不同的位置。我是否应该对这些进行平均并将它们视为一个时间序列？或者按位置单独查看它们？我想我可能会因为按位置单独查看它们而丢失一些信息，因为如果我这样划分，我一次只有相对较少的数据。
很难说——要么将它们分开（但“稀疏”），要么保留它们（但信息松散，需要“捏造”）。但是，嘿，你是主题专家，所以我们让你决定:)

【解决方案2】：

我发现了一个巧妙的技巧来解决这个问题。我按位置划分数据，然后将它们连接成一个长时间序列。不过，问题在于我不想考虑从一个系列结束到下一个系列开始的滞后，所以我在系列之间插入了一堆 NA 并使用了参数 na.action= na.pass 并将 lag.max 设置为我插入的 NA 的数量。在这种情况下，我的数据跨越一年，每两周观察一次（26 个时间增量长），所以我在每个系列之间插入了 26 个 NA。

new.time.series<- c(Loc1Series, rep(NA,26), Loc2Series, rep(NA,26), Loc3Series,     rep(NA,26))
acf(new.time.series, na.action=na.pass, lag.max=30)

这让我可以利用我的所有数据来找到一种模式，而如果我一次尝试这个分析一个位置，由于数据稀疏，我会发现意义不大。

【讨论】：