时间序列模拟多次观测

编程问答 2022-06-04

问题描述

我正在尝试通过多次观察来模拟一些时间序列数据。我确实想为每个人在各自的时间段内建立自相关（r = .7）。时间段的大小不同：size <- c(10,50,100,200,300,400,440,500)。例如，第一个个体有10个时间点，第二个个体有50个时间点，依此类推。最后，我想返回一个包含id，a和b的数据帧。这是我尝试过的，但无济于事。我是R的新手，因此非常感谢您的帮助。

size <- c(10,500)
results <- sapply(size,function(x)
                  a=rnorm(size),ar.epsilon <- arima.sim(list(order = c(1,0),ar = 0.7),n = size,sd=20),b = 50 + 25*a + ar.epsilon,data.frame(id,a,b))

解决方法

这是否接近您的打算？我不确定id代表什么。

size <- c(10,50,100,200,300,400,440,500)
set.seed(420)
results_a <- matrix(NA,nrow = max(size),ncol = length(size))
results_b <- matrix(NA,ncol = length(size))
for(i in 1:ncol(results)){
  a <- rnorm(size[i])
  ar.epsilon <- arima.sim(list(order = c(1,0),ar = 0.7),n = size[i],sd=20)
  b = size[i]*a + ar.epsilon
  results_id[]
  results_a[c(1:size[i]),i] <- a
  results_b[c(1:size[i]),i] <- b
}

colnames(results_a) <- paste0('id.a.',size)
colnames(results_b) <- paste0('id.b.',size)

result_final <- data.frame(results_a,results_b)
result_final <- result_final[,c(1,9,2,10,3,11,4,12,5,13,6,14,7,15,8,16)]
head(result_final,5)
     id.a.10    id.b.10    id.a.50    id.b.50    id.a.100  id.b.100   id.a.200  id.b.200   id.a.300   id.b.300
1  0.2677109   4.135141 -1.2479756 -117.59951  0.98359034  62.78846 -0.4334481 -80.73017 -1.2820512 -376.21611
2 -0.9367075 -31.289128 -2.8949090 -177.02084 -0.09517645 -24.60170 -0.2134596 -24.28731 -0.2437892 -105.31801
3  0.5962061  -2.716978  1.1995795   68.50393 -1.13753051 -91.86198  1.2898376 291.26922  0.5395736  118.88174
4 -0.3120436 -22.395355  0.2200063   55.90104 -0.23305847 -32.09204  0.7150280 168.96521 -0.1842391  -63.82123
5  0.3979791 -33.284591  0.9722208  102.26825 -0.45663605 -58.60094  0.4104681  70.51101  1.2605879  373.00674
     id.a.400    id.b.400  id.a.440  id.b.440   id.a.500  id.b.500
1 -0.81734653 -354.499825  1.416543  649.6649 -0.7634678 -399.9059
2  1.77813114  670.127238  0.301712  149.6443  0.4791241  210.1626
3 -1.13121629 -501.422591  2.129244  950.8821  1.4002161  710.6371
4  0.08281154   -2.199712  1.321002  610.5567  0.2423353  140.2799
5  0.68390623  262.957092 -1.161112 -497.6224 -0.3141071 -179.2746
autocorrelationrrsimulationtime-series