Aegrea analüüs
Tihtipeale on võimalik modelleerida ajas muutuvaid trende ka regressioonanalüüsi abil, seetõttu asetangi aegridade analüüsi selle teema alla. "aeg" kui selline on ju ka pidev -me võime mõõta seda aastates, kuudes, tundides jne...
Järgneva näite jaoks on andmed perioodist 1970- 2011, mõõdetud igakuiselt (mõned talvekuud vahele jäetud)
Fail aluselisus.csv
Järgneva näite jaoks on andmed perioodist 1970- 2011, mõõdetud igakuiselt (mõned talvekuud vahele jäetud)
Fail aluselisus.csv
1. meetod, lineaarne mudel
plot(year,aluselisus) cor.test(year,aluselisus) Pearson's product-moment correlation data: year and aluselisus t = 11.4366, df = 234, p-value < 2.2e-16 alternative hypothesis: true correlation is not equal to 0 95 percent confidence interval: 0.5100887 0.6748808 sample estimates: cor 0.5987852 m2=lm(aluselisus~year);summary(m2) abline(m2,col="red") |
vaatame, kuidas aluselisus on aastati muutunud, sama võiks teha ka nii, et paneme x-teljele jrknr-vaatluse järjekorranumbri
korrelatsioon aastanumbri ja aluselisuse vahel on positiivne ja oluline. Tee ise mudel ja vaata joonisel. Kas saad nii, et lineaarne seos on oluline, Multiple R-squared: 0.3585? |
2.meetod aegridade analüüsi spetsiaalne pakett
library(tseries) ts.plot(aluselisus) lines(lowess(time(aluselisus),aluselisus),lwd=3, col=2) |
aegrea joonis peab tulema sama, ainult x-teljel on järjekorranumbrid automaatselt Lineaarse regressioonjoone asemel joonistatakse parima lähendiga mittelineaarne trend. Jääkidega saab teha uuringuid, kas andmestik sisaldab omakorda mingeid trende ja perioode |
Rohkem selle õpiobjekti raames aegridade analüüsiga tegeleda ei jõua, jätke meelde ja uurige ise Internetist täpsemalt, kuidas analüüsi täpselt teha ja mida selle jooksul veel teada saab. Näiteks siit
http://a-little-book-of-r-for-time-series.readthedocs.org/en/latest/src/timeseries.html#time-series-analysis
http://a-little-book-of-r-for-time-series.readthedocs.org/en/latest/src/timeseries.html#time-series-analysis