我正在处理具有以下结构的时间序列数据：
str(tseries)
Time-Series [1:479] from 1979 to 2019: 0.0258 0.0234 0.0055 0.0302 0.0305 0.0232 0.025 0.0234 0.0074 0.0089 ...
我正在尝试进行时间序列分析，因此使用自相关函数（ACF）。首先，它能够在运行时返回绘图：
acf(tseries)
但是，当我尝试执行区分并记录的acf（）函数时，它给了我一个错误：
> acf(diff(log(tseries)))
Error in na.fail.default(as.ts(x)) : missing values in object
In addition: Warning message:
In log(tseries) : NaNs produced
缺失值指的是什么？因为那是我的意思，所以确保我正在处理的数据集完全没有缺失值。
答案 0 :(得分：0)
如果您的时间序列具有任何负值，则日志将生成NaN，这将导致您丢失值错误。
> a <- c(-1,2,3,4,5,6)
> acf(diff(log(a)))
Error in na.fail.default(as.ts(x)) : missing values in object
In addition: Warning message:
In log(a) : NaNs produced
答案 1 :(得分：0)
正如Corey回答的那样，问题在于从负值获取日志。 我想在他的回答中添加评论，以解释更多有关如何解决您的问题的信息，但事实证明我的解释太长了。
添加一个常数可以解决您的问题，但这取决于数字的实际含义是否有意义/有效。
通常，ARIMA和自相关意味着您测量的任何值都取决于先前的值。例如，如果我想预测明天的温度，请查看今天的温度：这两个是相关的。
这就是进行自相关测试的意思：查看一个系列中的某个值是否与同一系列中附近的其他值相关。
在某些情况下，效果是乘法的，从1000到1100的增加比从1到101的增加更可能。如果是完全乘法，则从1000到1100的增加与从1000到1100的增加一样可能。 1至1.1
在这些情况下，采用对数是有意义的，对数差异表示百分比增加或减少。这意味着对数无法处理符号切换：您无法通过乘以或除以任何正数来从1到-1。
这也取决于您的实际值的含义。任何人都会明白，从1ºC到2ºC的温度升高与从33.8ºF到35.6ºF的升高一样有意义，即使第一个温度看起来增加了100％，第二个温度看起来增加了5％。 。这意味着以摄氏度或华氏度为单位的温度对数是没有意义的，尽管有时以开尔文或朗肯为单位的温度对数是有意义的。
实际上，大多数问题将是线性效应和乘法效应的混合，其中从1000增加到1100的可能性与从1增加到2或类似的可能性差不多。
因此，这取决于您的数据代表什么，并且您需要找到一些自相关性最强的计算。实际上，建议在您的a中添加一些常量并获取日志对此很有效！
对于选择哪个常数的问题，您需要自己回答：“哪些增加与其他可能性一样？”
在我的示例中，说从1000增加到1100就像从1增加到2一样，意味着求解方程(1000+c)/(1100+c)==(1+c)/(2+c)，其中c是我们要寻找的常数。尽管自相关函数对微小差异不敏感，但这里的结果却是9.09。
您也可以使用它，或者尝试其他类型的功能。自相关性越强，适合度越高。