时间序列分析中，如何将原有序列图与预测序列图合并为一张图？

是 否 +2 论坛币

k人 参与回答

经管之家送您一份

应届毕业生专属福利!

求职就业群

赵安豆老师微信：zhaoandou666

经管之家联合CDA

送您一个全额奖学金名额~ !

立即领取

感谢您参与论坛问题回答

经管之家送您两个论坛币！

+2 论坛币

library(tsDyn)
x<-log10(lynx)
b<-linear(x,m=2)
d<-predict(b,n.ahead=10)
plot(x)
plot(d)输出的图形如下，但是我希望能输出把他们合在一起的图，如图3的形式


、
这张图是我用forecast()做出来的，但是他好像不能用于linear函数的预测，请问大家要怎么做才行呢？谢谢

扫码加我 拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

分享0 收藏0 回帖

关键词：时间序列分析 时间序列 Library BRARY tsDyn

好吧 我刚刚试了下用
d<-arima(x,order=c(2,0,0))
plot(forecast(d,h=10))
画出了我想要的图

但是有些函数是不支持这种画图方法的，比如这个linear()，那有没有什么一般的方法可以把原序列和预测序列的图合起来呢？

导出生成的两个序列，在excel 中并列即可

bwpnew 发表于 2017-10-14 16:20
导出生成的两个序列，在excel 中并列即可

合并到是可以，但是如果想像上图一样生成颜色不一样的线并且还有置信区间的话这种方法就不可行了额

哇 我刚刚找到了一个很笨的方法，但是用起来是可以的
library(tsDyn)
x<-log10(lynx)
b<-linear(x,m=2)
d<-predict(b,n.ahead=10)
e<-cbind(x,d)    #把x和d按行合并

Time Series:
Start = 1821
End = 1944
Frequency = 1
            x        d
1821 2.429752       NA
1822 2.506505       NA
1823 2.767156       NA
1824 2.940018       NA
1825 3.168792       NA
1826 3.450403       NA
1827 3.594171       NA
1828 3.774006       NA
1829 3.694605       NA
1830 3.411114       NA
1831 2.718502       NA
1832 1.991226       NA
1833 2.264818       NA
1834 2.445604       NA
1835 2.611723       NA
1836 3.358886       NA
1837 3.428944       NA
1838 3.532627       NA
1839 3.261025       NA
1840 2.611723       NA
1841 2.178977       NA
1842 1.653213       NA
1843 1.832509       NA
1844 2.328380       NA
1845 2.737193       NA
1846 3.014100       NA
1847 3.328176       NA
1848 3.404149       NA
1849 2.980912       NA
1850 2.557507       NA
1851 2.576341       NA
1852 2.352183       NA
1853 2.556303       NA
1854 2.863917       NA
1855 3.214314       NA
1856 3.435367       NA
1857 3.458033       NA
1858 3.326131       NA
1859 2.835056       NA
1860 2.475671       NA
1861 2.372912       NA
1862 2.389166       NA
1863 2.741939       NA
1864 3.210319       NA
1865 3.519959       NA
1866 3.827434       NA
1867 3.628797       NA
1868 2.836957       NA
1869 2.406540       NA
1870 2.674861       NA
1871 2.553883       NA
1872 2.894316       NA
1873 3.202488       NA
1874 3.224274       NA
1875 3.352375       NA
1876 3.154120       NA
1877 2.878522       NA
1878 2.475671       NA
1879 2.303196       NA
1880 2.359835       NA
1881 2.671173       NA
1882 2.866878       NA
1883 3.310056       NA
1884 3.448861       NA
1885 3.646502       NA
1886 3.399847       NA
1887 2.589950       NA
1888 1.863323       NA
1889 1.591065       NA
1890 1.690196       NA
1891 1.770852       NA
1892 2.274158       NA
1893 2.576341       NA
1894 3.111263       NA
1895 3.605413       NA
1896 3.543447       NA
1897 2.768638       NA
1898 2.021189       NA
1899 2.184691       NA
1900 2.587711       NA
1901 2.879669       NA
1902 3.116276       NA
1903 3.539703       NA
1904 3.844539       NA
1905 3.800236       NA
1906 3.579097       NA
1907 3.263873       NA
1908 2.537819       NA
1909 2.582063       NA
1910 2.907411       NA
1911 3.142389       NA
1912 3.433450       NA
1913 3.579784       NA
1914 3.490099       NA
1915 3.474944       NA
1916 3.578639       NA
1917 2.828660       NA
1918 1.908485       NA
1919 1.903090       NA
1920 2.033424       NA
1921 2.359835       NA
1922 2.600973       NA
1923 3.053846       NA
1924 3.385964       NA
1925 3.553155       NA
1926 3.467608       NA
1927 3.186674       NA
1928 2.723456       NA
1929 2.685742       NA
1930 2.820858       NA
1931 3.000000       NA
1932 3.201397       NA
1933 3.424392       NA
1934 3.530968       NA
1935       NA 3.384622
1936       NA 3.102350
1937       NA 2.821052
1938       NA 2.642745
1939       NA 2.606274
1940       NA 2.689122
1941       NA 2.831076
1942       NA 2.965623
1943       NA 3.045717
1944       NA 3.055977

ts.plot(e,gpars=list(col=c("red","blue")))  #输出图像