我有一个时间序列，在每个时间步骤都有一些不同的观察结果（测量相同的现象，但来自不同的位置），看起来它可能有一个弱的周期性模式，但我不确定。我如何在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中调用它吗？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点？我是否需要首先拟合模型并查看残差？
答案 0 :(得分：1)
这取决于您希望如何存储它们。我通常靠xts和zoo生存和死亡，他们（强烈地）更喜欢不同的和（严格）单调增加的索引值 - 也就是xts的时间戳。
所以在一种情况下，我相对于数据大小“相对较少”的碰撞，并且最小增量“仍然很小”到中值增量，我通过使时间戳独特而捏造。事实上，我经常这样做，并经常与作者邮寄，xts最终得到make.time.unique() ......
答案 1 :(得分：1)
我找到了解决这个问题的巧妙方法。我按位置划分数据，然后将它们连接成一个长时间序列。这个问题虽然是我不想考虑从一个系列的结尾到下一个系列的开头的滞后，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数。在这种情况下，我的数据跨越一年，每两周进行一次观察（长度增加26次），因此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)
这使我可以利用我的所有数据来查找模式，而如果我一次尝试过一次这样的分析，由于数据稀疏，我会发现它没什么重要意义。