Cómo Direccionar Datos Datos En Texto

Base R tiene una gran cantidad de funcionalidad útil para series de tiempo, en particular en el paquete de estadísticas. Esto se complementa con muchos paquetes en CRAN, que se resumen brevemente a continuación. También hay una considerable superposición entre las herramientas para las series de tiempo y las de las vistas de las tareas de Econometría y Finanzas. Los paquetes de esta vista se pueden estructurar en los siguientes temas. Si piensa que falta algún paquete en la lista, háganoslo saber. Infraestructura. Base R contiene una infraestructura sustancial para representar y analizar datos de series de tiempo. La clase fundamental es quottsquot que puede representar series temporales regularmente espaciadas (usando sellos de tiempo numéricos). Por lo tanto, es particularmente adecuado para datos anuales, mensuales, trimestrales, etc. Los promedios móviles se calculan por ma desde el pronóstico. Y rollmean del zoológico. Este último también proporciona una aplicación de rol de función general. Junto con otras funciones de estadísticas de balanceo específicas. Roll proporciona funciones paralelas para calcular estadísticas de balanceo. Gráficos. Las gráficas de series temporales se obtienen con la representación gráfica () aplicada a los objetos ts. (Parciales) las funciones de autocorrelación se implementan en acf () y pacf (). Versiones alternativas son proporcionadas por Acf () y Pacf () en el pronóstico. Junto con una pantalla de combinación usando tsdisplay (). SDD proporciona diagramas de dependencia en serie más generales, mientras que dCovTS calcula y traza las funciones de covarianza y correlación de distancia de series de tiempo. Las exhibiciones estacionales se obtienen usando la trama de mes () en las estadísticas y el gráfico de temporada en el pronóstico. Wats implementa gráficos de series de tiempo envolventes. Ggseas proporciona gráficos ggplot2 para series ajustadas estacionalmente y estadísticas de balanceo. Dygraphs proporciona una interfaz a la serie de gráficos interactivos de Dygraphs. ZRA traza objetos de pronóstico del paquete de pronóstico usando dígrafos. Los pronósticos y los vars son los diagramas básicos de las distribuciones de pronósticos. Los diagramas de ventiladores más flexibles de cualquier distribución secuencial se implementan en fanplot. Los quottsquot de clase sólo pueden ocuparse de sellos de tiempo numéricos, pero muchas más clases están disponibles para almacenar información de tiempo / fecha e informática con ella. Para una visión general vea R Help Desk: Clases de fecha y hora en R de Gabor Grothendieck y Thomas Petzoldt en R News 4 (1). 29-32. Las clases quotyearmonquot y quotyearqtrquot del zoológico permiten un cómputo más conveniente con observaciones mensuales y trimestrales, respectivamente. Clase quotDatequot del paquete base es la clase básica para tratar las fechas en los datos diarios. Las fechas se almacenan internamente como el número de días desde 1970-01-01. El paquete cron proporciona clases para las fechas (). Horas () y fecha / hora (intra-día) en cron (). No hay soporte para zonas horarias y el horario de verano. Internamente, los objetos quotchronquot son días (fraccionados) desde 1970-01-01. Las clases quotPOSIXctquot y quotPOSIXlt implementan el estándar POSIX para información de fecha / hora (intra-día) y también admiten zonas horarias y horario de verano. Sin embargo, los cálculos de la zona horaria requieren cierta atención y pueden depender del sistema. Internamente, los objetos quotPOSIXctquot son el número de segundos desde 1970-01-01 00:00:00 GMT. El paquete lubridate proporciona funciones que facilitan ciertos cálculos basados ​​en POSIX. La clase quottimeDatequot se proporciona en el paquete timeDate (anteriormente: fCalendar). Está dirigido a la información financiera de tiempo / fecha y se ocupa de los husos horarios y los horarios de ahorro de luz a través de un nuevo concepto de centros cuantitativos. Internamente, almacena toda la información en quotPOSIXctquot y hace todos los cálculos en GMT solamente. Funcionalidad de calendario, p. Incluyendo información sobre fines de semana y feriados para diversas bolsas de valores, también está incluido. El paquete tis proporciona la clase quottiquot para la información de hora / fecha. La clase quotmondatequot del paquete mondate facilita la computación con fechas en términos de meses. El paquete tempdisagg incluye métodos para la desagregación temporal y la interpolación de una serie temporal de baja frecuencia a una serie de frecuencias más altas. TimeProjection extrae los componentes de tiempo útil de un objeto de fecha, como día de la semana, fin de semana, día festivo, día del mes, etc., y lo coloca en un marco de datos. Como se mencionó anteriormente, quottsquot es la clase básica para series de tiempo regularmente espaciadas usando sellos de tiempo numéricos. El paquete del zoológico proporciona infraestructura para series temporales regulares e irregularmente espaciadas usando clases arbitrarias para los sellos de tiempo (es decir, permitiendo todas las clases de la sección anterior). Está diseñado para ser lo más consistente posible con quottsquot. La coacción desde y hacia quotzooquot está disponible para todas las otras clases mencionadas en esta sección. El paquete xts se basa en zoológico y proporciona un manejo uniforme de Rs diferentes clases de datos basadas en tiempo. Varios paquetes implementan series temporales irregulares basadas en sellos de tiempo quotPOSIX, especialmente destinados a aplicaciones financieras. Estos incluyen quotitsquot de su. Cita de tseries. Y quotftsquot de fts. La clase quottimeSeriesquot en timeSeries (anteriormente: fSeries) implementa series de tiempo con quottimeDatequot sellos de tiempo. La clase quottisquot in tis implementa series de tiempo con sellos de tiempo quottiquot. El paquete tframe contiene infraestructura para establecer intervalos de tiempo en diferentes formatos. Pronóstico y modelado univariado El paquete de pronóstico proporciona una clase y métodos para predicciones de series de tiempo univariadas, y proporciona muchas funciones implementando diferentes modelos de pronóstico incluyendo todos aquellos en el paquete de estadísticas. Desvanecimiento exponencial . HoltWinters () en stats proporciona algunos modelos básicos con optimización parcial, ets () del paquete de pronóstico proporciona un conjunto más grande de modelos e instalaciones con optimización completa. El paquete MAPA combina modelos de suavizado exponencial a diferentes niveles de agregación temporal para mejorar la precisión de pronóstico. Smooth implementa algunas generalizaciones de suavizado exponencial. El método theta se implementa en la función thetaf del paquete de pronóstico. Una implementación alternativa y extendida se proporciona en forectheta. Modelos autorregresivos. Ar () en las estadísticas (con la selección del modelo) y FitAR para los modelos del subconjunto AR. Modelos ARIMA. Arima () en stats es la función básica de los modelos ARIMA, SARIMA, ARIMAX y subconjunto ARIMA. Se mejora en el paquete de pronóstico a través de la función Arima () junto con auto. arima () para la selección automática de órdenes. Arma () en el paquete tseries proporciona diferentes algoritmos para los modelos ARMA y subconjunto ARMA. FitARMA implementa un algoritmo rápido MLE para los modelos ARMA. El paquete gsarima contiene funcionalidad para la simulación generalizada de series temporales SARIMA. El paquete mar1s maneja RA multiplicativo (1) con procesos estacionales. TSTutorial proporciona un tutorial interactivo para el modelado de Box-Jenkins. Los intervalos de predicción mejorados para ARIMA y los modelos de series temporales estructurales son proporcionados por tsPI. Modelos periódicos ARMA. Pera y partsm para modelos periódicos de series temporales autorregresivas y perARMA para el modelado periódico ARMA y otros procedimientos para el análisis periódico de series temporales. Modelos ARFIMA. Algunas instalaciones para los modelos ARFIMA fraccionados diferenciados se proporcionan en el paquete fracdiff. El paquete arfima tiene instalaciones más avanzadas y generales para los modelos ARFIMA y ARIMA, incluyendo modelos de regresión dinámica (función de transferencia). ArmaFit () del paquete fArma es una interfaz para los modelos ARIMA y ARFIMA. El ruido gaussiano fraccional y los modelos simples para series de tiempo de decaimiento hiperbólico se manejan en el paquete FGN. Los modelos de función de transferencia son proporcionados por la función arimax en el paquete TSA y la función arfima en el paquete arfima. La detección de valores atípicos siguiendo el enfoque de Chen-Liu es proporcionada por tsoutliers. Los modelos estructurales se implementan en StructTS () en stats, y en stsm y stsm. class. KFKSDS proporciona una implementación ingenua del filtro de Kalman y suavizadores para modelos de espacio de estados univariados. Los modelos de series de tiempo estructurales bayesianos se implementan en bsts. Las series de tiempo no gaussianas se pueden manejar con modelos de espacio de estado GLARMA vía glarma. Y utilizando Modelos de Puntuación Autoregressive Generalizada en el paquete GAS. Los modelos de Auto-Regresión condicional que utilizan métodos Monte Carlo Likelihood se implementan en mclcar. Modelos GARCH. Garch () de tseries se ajusta a los modelos básicos de GARCH. Muchas variaciones en los modelos de GARCH son proporcionadas por rugarch. Otros paquetes GARCH univariados incluyen fGarch que implementa modelos ARIMA con una amplia clase de innovaciones GARCH. Hay muchos más paquetes de GARCH descritos en la vista de tareas de Finanzas. Los modelos de volatilidad estocástica son manejados por stochvol en un marco bayesiano. Los modelos de series temporales de conteo se manejan en los paquetes tscount y acp. ZIM proporciona Modelos Inflados Cero para series de tiempo de conteo. Tsintermittent implementa varios modelos para analizar y pronosticar series de tiempo de demanda intermitente. Las series temporales censuradas pueden ser modeladas usando centavos y carx. Las pruebas de Portmanteau se proporcionan a través de Box. test () en el paquete de estadísticas. Pruebas adicionales son realizadas por portes y WeightedPortTest. La detección de puntos de cambio se proporciona en strucchange (usando modelos de regresión lineal), en tendencia (usando pruebas no paramétricas) y en wbsts (usando segmentación binaria salvaje). El paquete de punto de cambio proporciona muchos métodos de punto de cambio populares, y ecp hace detección de punto de cambio no paramétrico para series univariadas y multivariantes. La detección en línea de puntos de cambio para series cronológicas univariadas y multivariadas es proporcionada por CPD online. InspectChangepoint utiliza una proyección dispersa para estimar los puntos de cambio en series temporales de alta dimensión. La imputación de series temporales es proporcionada por el paquete imputeTS. Algunas instalaciones más limitadas están disponibles utilizando na. interp () del paquete de pronóstico. Los pronósticos se pueden combinar usando ForecastCombinations, que soporta los métodos más utilizados para combinar pronósticos. ForecastHybrid proporciona funciones para previsiones de conjuntos, combinando enfoques del paquete de pronóstico. Opera tiene facilidades para predicciones en línea basadas en combinaciones de pronósticos proporcionados por el usuario. La evaluación de pronósticos se proporciona en la función accuracy () de la previsión. La evaluación de la predicción distributiva usando reglas de puntuación está disponible en scoringRules Miscellaneous. Ltsa contiene métodos para el análisis lineal de series temporales, timsac para el análisis y control de series temporales y tsbugs para modelos BUGS de series temporales. La estimación de la densidad espectral es proporcionada por el espectro () en el paquete de estadísticas, incluyendo el periodograma, el periodograma suavizado y las estimaciones de AR. La inferencia espectral bayesiana viene dada por bspec. Quantspec incluye métodos para calcular y representar los periodogramas de Laplace para series temporales univariadas. El periodograma de Lomb-Scargle para series temporales muestradas de manera irregular se calcula mediante lomb. El espectro utiliza transformadas de Fourier y Hilbert para el filtrado espectral. Psd produce estimaciones de densidad espectral adaptativas, seno-multitaper. Kza proporciona filtros adaptativos Kolmogorov-Zurbenko incluyendo detección de rotura, análisis espectral, wavelets y transformadas de Fourier KZ. Multitaper también proporciona algunas herramientas de análisis espectral multitaper. Métodos Wavelet. El paquete de wavelets incluye computar filtros wavelet, transformadas wavelet y análisis multiresolución. Los métodos wavelet para el análisis de series temporales basados ​​en Percival y Walden (2000) se dan en wmtsa. WaveletComp proporciona algunas herramientas para el análisis basado en wavelets de series temporales univariadas y bivariadas incluyendo ondas cruzadas, pruebas de diferencia de fase y significantes. Biwavelet puede usarse para trazar y calcular los espectros de wavelets, espectros de onda cruzada y coherencia de wavelet de series temporales no estacionarias. También incluye funciones para agrupar series temporales basadas en las (des) similitudes en su espectro. Pruebas de ruido blanco utilizando wavelets son proporcionados por hwwntest. Se pueden encontrar métodos wavelet adicionales en los paquetes de brainwaver. Rwt. Waveslim Wavethresh y mvcwt. La regresión armónica usando términos de Fourier se implementa en la Reacción Armónica. El paquete de previsión también proporciona algunas facilidades de regresión de armónicos simples a través de la función fourier. Descomposición y filtración Filtros y suavizado. Filter () en stats proporciona un filtrado lineal promedio autorregresivo y móvil de series temporales univariadas múltiples. El paquete Robfilter proporciona varios filtros robustos de series temporales, mientras que mFilter incluye diversos filtros de series temporales útiles para suavizar y extraer componentes de tendencia y cíclicos. Smooth () del paquete de estadísticas calcula Tukeys que ejecutan los suavizadores medianos, 3RS3R, 3RSS, 3R, etc. sleekts calcula el 4253H dos veces el método de suavizado. Descomposición. La descomposición estacional se discute a continuación. La descomposición basada en la auto-regresión es proporcionada por ArDec. Rmaf utiliza un refinado filtro de media móvil para la descomposición. El Análisis de Espectro Singular se implementa en Rssa y métodos espectrales. La descomposición en modo empírico (EMD) y el análisis espectral de Hilbert son proporcionados por EMD. Las herramientas adicionales, incluyendo EMD del conjunto, están disponibles en hht. Una implementación alternativa del conjunto EMD y su variante completa están disponibles en Rlibeemd. Descomposición estacional. El paquete stats proporciona descomposición clásica en descomposición (). Y la descomposición STL en stl (). La descomposición STL mejorada está disponible en stlplus. StR proporciona la descomposición Seasonal-Trend basada en la regresión. X12 proporciona una envoltura para los binarios X12 que deben instalarse primero. X12GUI proporciona una interfaz gráfica de usuario para x12. Los binarios X-13-ARIMA-SEATS se proporcionan en el paquete x13binary, con una interfaz estacional proporcionando R. Análisis de la estacionalidad. El paquete de bfast proporciona métodos para detectar y caracterizar cambios abruptos dentro de la tendencia y componentes estacionales obtenidos de una descomposición. Npst proporciona una generalización de la prueba de estacionalidad de Hewitts. temporada. Análisis estacional de datos de salud incluyendo modelos de regresión, crossover de casos estratificados en el tiempo, funciones de trazado y chequeos residuales. Mares Análisis estacional y gráficos, especialmente para climatología. Deseasonalize Desestacionalización óptima para las series de tiempo geofísico utilizando ajuste AR. Stationarity, Unit Roots, y Cointegration Stationarity y raíces unitarias. Tseries proporciona varias pruebas de estacionariedad y raíz unitaria, incluyendo Dickey-Fuller aumentado, Phillips-Perron y KPSS. Las implementaciones alternativas de las pruebas ADF y KPSS se encuentran en el paquete urca, que también incluye otros métodos como las pruebas Elliott-Rothenberg-Stock, Schmidt-Phillips y Zivot-Andrews. El paquete fUnitRoots también proporciona la prueba MacKinnon, mientras que uroot proporciona pruebas estacionales de raíz unitaria. CADFtest proporciona implementaciones tanto del ADF estándar como de una prueba ADF (CADF) aumentada en covariable. Estacionaria local. Locs proporciona una prueba de estacionaridad local y calcula la autocovariancia localizada. La determinación de la determinación de la costera de series temporales viene dada por costat. LSTS tiene funciones para el análisis de series de tiempo estacionario localmente. Los modelos de onda fija localmente estacionarios para series de tiempo no estacionarias se implementan en wavethresh (incluyendo la estimación, el trazado y la funcionalidad de simulación para espectros que varían en el tiempo). Cointegración. El método Engle-Granger de dos pasos con la prueba de cointegración Phillips-Ouliaris se implementa en tseries y urca. Este último contiene adicionalmente funcionalidad para las pruebas Johansen trace y lambda-max. TsDyn proporciona la prueba de Johansens y AIC / BIC selección simultánea de rango-lag. CommonTrend proporciona herramientas para extraer y trazar tendencias comunes de un sistema de cointegración. La estimación de parámetros y la inferencia en una regresión de cointegración se implementan en cointReg. Análisis no lineal de series temporales Autorregulación no lineal. Varias formas de autorregresión no lineal están disponibles en tsDyn incluyendo aditivo AR, redes neuronales, modelos SETAR y LSTAR, umbral VAR y VECM. También se proporciona autoregresión de red neuronal en GMDH. BentcableAR implementa la autorregresión Bent-Cable. BAYSTAR proporciona un análisis bayesiano de modelos umbral autorregresivos. TseriesChaos proporciona una implementación R de los algoritmos del proyecto TISEAN. Autoregresión Los modelos de conmutación de Markov se proporcionan en MSwM. Mientras que las mezclas dependientes de los modelos de Markov latentes se dan en depmix y depmixS4 para series temporales categóricas y continuas. Pruebas. Diversas pruebas para la no linealidad se proporcionan en fNonlinear. TseriesEntropy pruebas de dependencia en serie no lineal basado en métricas de entropía. Las funciones adicionales para series temporales no lineales están disponibles en nlts y nonlinearTseries. El modelado y el análisis de la serie del tiempo de Fractal es proporcionado por el fractal. Fractalrock genera series de tiempo fractal con distribuciones de retornos no normales. Modelos dinámicos de regresión Modelos lineales dinámicos. Una interfaz conveniente para la adaptación de modelos de regresión dinámica a través de OLS está disponible en dynlm un enfoque mejorado que también funciona con otras funciones de regresión y más clases de series de tiempo se implementa en dyn. Se pueden montar ecuaciones de sistemas dinámicos más avanzadas usando dse. Los modelos de espacio de estados lineales gaussianos se pueden ajustar usando dlm (vía máxima verosimilitud, filtración / suavizado de Kalman y métodos bayesianos), o usando bsts que usa MCMC. Las funciones para el modelado no lineal de retraso distribuido se proporcionan en dlnm. Los modelos de parámetros variables en el tiempo se pueden montar usando el paquete tpr. OrderedLasso se ajusta a un modelo lineal escaso con una restricción de orden en los coeficientes para manejar regresores rezagados donde los coeficientes disminuyen a medida que aumenta el desfase. El modelado dinámico de varios tipos está disponible en dynr, incluyendo modelos discretos y continuos, lineales y no lineales, y diferentes tipos de variables latentes. Modelos de series temporales multivariantes Los modelos vectoriales autorregresivos (VAR) se proporcionan a través de ar () en el paquete de estadísticas básico, incluyendo la selección de pedidos a través de AIC. Estos modelos se limitan a ser estacionarios. MTS es un conjunto de herramientas para el análisis de series temporales multivariadas que incluyen VAR, VARMA, VARMA estacional, modelos VAR con variables exógenas, regresión multivariable con errores de series temporales y mucho más. Es posible que los modelos VAR no estacionarios estén instalados en el paquete mAr, lo que también permite modelos VAR en el espacio de los componentes principales. Sparsevar permite la estimación de modelos VAR y VECM escasos, ecm proporciona funciones para la construcción de modelos VECM, mientras que BigVAR estima modelos VAR y VARX con sanciones estructuradas por lazo. Los modelos y redes VAR automatizados están disponibles en autovarCore. Modelos más elaborados se proporcionan en el paquete vars. TsDyn. EstVARXls () en dse. Y un enfoque Bayesiano está disponible en MSBVAR. Otra implementación con intervalos de predicción bootstrap se da en VAR. etp. MlVAR proporciona autorregresión vectorial multi-nivel. VARsignR proporciona rutinas para identificar choques estructurales en modelos VAR usando restricciones de signo. Los modelos VARIMA y los modelos de espacio de estado se proporcionan en el paquete dse. EvalEst facilita los experimentos de Monte Carlo para evaluar los métodos de estimación asociados. Los modelos de corrección de errores vectoriales están disponibles a través de la urca. Vars y tsDyn, incluyendo versiones con restricciones estructurales y umbrales. Análisis de componentes de series temporales. El análisis de factores de series temporales se proporciona en tsfa. ForeCA implementa el análisis de componentes forecables mediante la búsqueda de las mejores transformaciones lineales que hacen que una serie temporal multivariada sea lo más previsible posible. PCA4TS encuentra una transformación lineal de una serie de tiempo multivariable dando secundario-dimensional subseries que están uncorrelated con uno a. Los modelos de espacio de estado multivariable se implementan en el paquete FKF (Fast Kalman Filter). Esto proporciona modelos de espacio de estados relativamente flexibles a través de la función fkf (): los parámetros de espacio de estado se permiten variar en el tiempo y las intercepciones se incluyen en ambas ecuaciones. Una implementación alternativa es proporcionada por el paquete de KFAS que proporciona un filtro de Kalman multivariable rápido, más suave, simulación más suave y previsión. Otra implementación se da en el paquete dlm que también contiene herramientas para convertir otros modelos multivariados en forma de espacio de estado. Dlmodeler proporciona una interfaz unificada para dlm. KFAS y FKF. MARSS se ajusta a los modelos de estado-espacio autorregresivos multivariados y constreñidos sin restricciones usando un algoritmo EM. Todos estos paquetes suponen que los términos de error de observación y de estado no están correlacionados. Los procesos de Markov parcialmente observados son una generalización de los modelos de espacio de estado multivariados lineales usuales, permitiendo modelos no-Gaussianos y no lineales. Estos se implementan en el paquete de pompa. Modelos de volatilidad estocástica multivariable (utilizando factores latentes) son proporcionados por factores devol. Análisis de grandes grupos de series temporales La agrupación de series temporales se implementa en TSclust. Dtwclust. BNPTSclust y pdc. TSdist proporciona medidas de distancia para datos de series de tiempo. Jmotif implementa herramientas basadas en la discretización simbólica de series temporales para encontrar motivos en series de tiempo y facilita la clasificación de series temporales interpretables. Los métodos para trazar y pronosticar colecciones de series temporales jerárquicas y agrupadas son proporcionados por hts. Ladrón usa métodos jerárquicos para conciliar pronósticos de series de tiempo temporalmente agregadas. Un método alternativo para conciliar las previsiones de series de tiempo jerárquicas es proporcionado por gtop. Ladrón Modelos de tiempo continuo Modelado autorregresivo de tiempo continuo en cts. Sim. DiffProc simula y modela ecuaciones diferenciales estocásticas. La simulación y la inferencia para ecuaciones diferenciales estocásticas son proporcionadas por sde y yuima. Bootstrapping. El paquete de arranque proporciona la función tsboot () para el arranque en serie temporal, incluido el bloqueo de arranque con varias variantes. Tsbootstrap () de tseries proporciona estacionamiento rápido y bloques de arranque. El bootstrap máximo de entropía para series de tiempo está disponible en meboot. Timesboot calcula el CI de arranque para la muestra ACF y el periodograma. BootPR calcula la predicción corregida por sesgo y los intervalos de predicción de boostrap para series temporales autorregresivas. Datos de Makridakis, Wheelwright y Hyndman (1998) Pronóstico: los métodos y aplicaciones se proporcionan en el paquete fma. Datos de Hyndman, Koehler, Ord y Snyder (2008) Las predicciones con suavizado exponencial se encuentran en el paquete expsmooth. Datos de Hyndman y Athanasopoulos (2013) Pronóstico: los principios y la práctica están en el paquete fpp. Los datos de la competición M y de la competencia M3 se proporcionan en el paquete Mcomp. Los datos de la competencia M4 se dan en M4comp. Mientras que Tcomp proporciona datos del Concurso de Pronósticos de Turismo de la IJF 2010. Pdfetch proporciona instalaciones para descargar series económicas y financieras de fuentes públicas. Los datos del portal en línea de Quandl a los conjuntos de datos financieros, económicos y sociales pueden ser consultados interactivamente usando el paquete de Quandl. Los datos del portal en línea de Datamarket se pueden obtener usando el paquete rdatamarket. Los datos de Cryer y Chan (2010) están en el paquete TSA. Los datos de Shumway y Stoffer (2011) están en el paquete astsa. Datos de Tsay (2005) El análisis de las series de tiempo financiero está en el paquete FinTS, junto con algunas funciones y archivos de script necesarios para trabajar algunos de los ejemplos. TSdbi proporciona una interfaz común a las bases de datos de series de tiempo. Fama proporciona una interfaz para las bases de datos de la serie de tiempo FAME AER y Ecdat contienen muchos conjuntos de datos (incluyendo datos de series de tiempo) de muchos libros de texto de econometría dtw. Algoritmos de deformación de tiempo dinámicos para calcular y trazar alineaciones por pares entre series de tiempo. EnsembleBMA. Modelo Bayesiano Promedio para crear pronósticos probabilísticos a partir de pronósticos de conjuntos y observaciones meteorológicas. Primeros avisos La alerta temprana señala una caja de herramientas para detectar transiciones críticas en eventos de series temporales. Convierte datos de eventos extraídos por máquina en series temporales multivariadas agregadas regulares. Comentarios. Análisis de la temporalidad fragmentada para investigar la retroalimentación en series de tiempo. LPStimeSeries tiene como objetivo encontrar la similitud de patrón de quotlearned para series de tiempo. MAR1 proporciona herramientas para preparar datos de series temporales de comunidades ecológicas para el modelado de AR multivariable. Redes Rutinas para la estimación de las redes parciales de correlación parcial de largo plazo para datos de series de tiempo. Paleots Modelización de la evolución en series temporales paleontológicas. Pastecs. Regulación, descomposición y análisis de series espacio-temporales. Ptw. Deformación paramétrica del tiempo. RGENERATE proporciona herramientas para generar series de tiempo vectoriales. RMAWGEN es un conjunto de funciones S3 y S4 para la generación estocástica espacial multi-sitio de series cronológicas diarias de temperatura y precipitación utilizando modelos VAR. El paquete puede utilizarse en climatología e hidrología estadística. RSEIS. Herramientas sísmicas de análisis de series temporales. Rts. Análisis de series temporales de ráster (por ejemplo, series temporales de imágenes de satélite). Sae2. Modelos de series temporales para la estimación de áreas pequeñas. SpTimer. Modelización bayesiana espacio-temporal. vigilancia. Modelado temporal y espacio-temporal y seguimiento de fenómenos epidémicos. TED. Turbulencia de la serie temporal Detección y clasificación de eventos. Mareas Funciones para calcular características de series temporales cuasi periódicas, p. Niveles estuarinos de agua observados. Tigre. Los grupos resueltos temporalmente de las diferencias típicas (errores) entre dos series temporales son determinados y visualizados. TSMining. Minería de motivos univariados y multivariados en datos de series de tiempo. TsModel. Modelado de series temporales para la contaminación del aire y la salud. Paquetes de CRAN: ROLLING3: Módulo de Stata para calcular los valores predichos para las regresiones dinámicas Muhammad Rashid Ansari () Información de contacto adicional Muhammad Rashid Ansari: INSEAD Business School, Singapur Resumen: rolling3 genera valores predichos para cada regresión de balanceo y los guarda como nuevas variables En el archivo de datos original. También permite que el usuario bucle de rodadura predecir el comando en los paneles de datos. Idioma: Stata Requiere: Stata version 13 Palabras clave: rolling rule, rolling, rolling, forecast, forecasted, values, value (buscar artículos similares en EconPapers) Fecha: 2016-03-29 Nota: Este módulo debe instalarse desde Stata escribiendo ssc install rolling3. Los usuarios de Windows no deben intentar descargar estos archivos con un navegador web. Referencias: Añadir referencias en CitEc Citas Citas de pistas por RSS feed Obras relacionadas: Este artículo puede estar disponible en otra parte de EconPapers: Busca artículos con el mismo título. Referencia de exportación: BibTeX RIS (EndNote, ProCite, RefMan) HTML / Texto Información de pedido: Este artículo de software se puede pedir en repec. org/docs/ssc. php Más programas de Informática Componentes de Boston College Departamento de Economía Boston College, 140 Commonwealth Avenue, Chestnut Hill MA 02467 USA. Información de contacto en EDIRC. Datos de la serie mantenidos por Christopher F Baum ().XTFMB: Módulo Stata para ejecutar la regresión de panel de dos pasos de Fama-MacBeth Cuando solicite una corrección, mencione por favor estos elementos handle: RePEc: boc: bocode: s456786. Consulte la información general sobre cómo corregir el material en RePEc. Para preguntas técnicas sobre este tema, o para corregir sus autores, título, resumen, información bibliográfica o de descarga, contacte a: (Christopher F Baum) Si ha creado este artículo y aún no está registrado en RePEc, le recomendamos que lo haga aquí . Esto permite vincular tu perfil a este elemento. También le permite aceptar citas potenciales a este tema de las que no estamos seguros. Si faltan referencias, puede agregarlas usando este formulario. Si las referencias completas enumeran un elemento que está presente en RePEc, pero el sistema no enlazó con él, puede ayudar con este formulario. Si sabe de los elementos que faltan citando éste, puede ayudarnos a crear esos vínculos agregando las referencias pertinentes de la misma manera que se ha indicado anteriormente, para cada elemento referente. Si usted es un autor registrado de este artículo, también puede revisar la pestaña de citas en su perfil, ya que puede haber algunas citas esperando confirmación. Tenga en cuenta que las correcciones pueden tardar un par de semanas en filtrarse a través de los distintos servicios de RePEc. Más servicios MyIDEAS Seguir series, revistas, autores amp más Nuevos artículos por correo electrónico Suscribirse a nuevas adiciones a RePEc Registro de autor Perfiles públicos para investigadores de economía Rankings Varios rankings de investigación en economía y campos relacionados Genealogía ¿Quién fue un estudiante de quién, con RePEc RePEc Biblio Artículos curados artículos de amp y varios temas de economía MPRA Sube tu artículo para ser incluido en RePEc e IDEAS EconAcademics Agregador de blogs para la investigación de la economía Plagio Casos de plagio en la economía Documentos de mercado de trabajo RePEc serie de trabajo de trabajo dedicada al mercado de trabajo Fantasy League Pretendas estar al timón De un departamento de economía Servicios de los datos de Fed StL, la investigación, aplicaciones más amp de la Fed de San Luis