Question

我有一个事件的二进制（1或0）时间序列，我想计算它的ACF。问题是我需要根据它们的持续时间将TS分成簇，并计算每个子集的ACF。让我举个例子：

TS：(1,1,1,0,0,1,1,0,0,0,1)

我想要一个以下的总和的ACF：

群集1的ACF：(1,1,1,0,0,0,0,0,0,0,0)

群集2的ACF：(1,1,0,0,0,0,0,0,0,0,0)

群集3的ACF：(1,0,0,0,0,0,0,0,0,0,0)

然后平均这3个向量以得到我需要的结果。簇的数量是任意的，时间序列的近似持续时间在1k到10k观察之间变化

Answer 1

我根本不清楚你要做什么。

与@OttoKässi达成协议我不明白子集背后的逻辑。为什么三个？为什么那三个？构建这些子集的（数学）基本原理是什么。
更重要的是，平均相关系数对我来说毫无意义。在自相关中，您可以计算Pearson的向量的乘积矩相关系数与同一向量的不同滞后版本。那么你想为三个不同的（正交）向量做这个，并平均系数？为什么？这对我来说没有任何统计意义。

除此之外，要计算三个向量的自相关，您可以执行以下操作：

# Your sample vectors
v <- list(
    v1 = c(1,1,1,0,0,0,0,0,0,0,0),
    v2 = c(1,1,0,0,0,0,0,0,0,0,0),
    v3 = c(1,0,0,0,0,0,0,0,0,0,0));

# Calculate acf for lag = 0 ... 10 and store as columns in dataframe
# The rows correspond to lag = 0 ... 10
acf <- as.data.frame(lapply(v, function(x) as.numeric(acf(x, plot = FALSE)$acf)));
acf;
#            v1          v2           v3
#1   1.00000000  1.00000000  1.000000000
#2   0.63257576  0.47979798 -0.009090909
#3   0.26515152 -0.04040404 -0.018181818
#4  -0.10227273 -0.06060606 -0.027272727
#5  -0.13636364 -0.08080808 -0.036363636
#6  -0.17045455 -0.10101010 -0.045454545
#7  -0.20454545 -0.12121212 -0.054545455
#8  -0.23863636 -0.14141414 -0.063636364
#9  -0.27272727 -0.16161616 -0.072727273
#10 -0.18181818 -0.18181818 -0.081818182
#11 -0.09090909 -0.09090909 -0.090909091

如果你现在坚持，你可以通过获取行平均值来计算不同滞后的平均相关系数。请注意，我不知道这是如何具有统计意义的。

rowMeans(acf);
#[1]  1.00000000  0.36776094  0.06885522 -0.06338384 -0.08451178 -0.10563973
#[7] -0.12676768 -0.14789562 -0.16902357 -0.14848485 -0.09090909

二进制时间序列的自相关函数

1 个答案: