CRAN 任务视图：时间序列分析

Base R 附带了许多对时间序列有用的功能，特别是在 stats 包中。这得到了 CRAN 上许多包的补充，这些包将在下面简要概述。时间序列工具与针对特定领域设计的工具之间存在重叠，包括 计量经济学、金融 和 环境统计学.

此视图中的包可以大致分为以下主题。如果您认为列表中缺少某些包，请告知我们，可以通过电子邮件发送给维护者，或在上面链接的 GitHub 存储库中提交问题或拉取请求。

基础

• 基础设施：Base R 包含大量用于表示和分析时间序列数据的基础设施。基本类是 "ts"，它可以表示规则间隔的时间序列（使用数字时间戳）。因此，它特别适合于年度、月度、季度数据等。
• 滚动统计 : 移动平均值由 ma 从 forecast 计算，rollmean 从 zoo 计算。后者还提供了一个通用函数 rollapply，以及其他特定的滚动统计函数。 slider 为任何 R 数据类型计算各种类型稳定的运行函数。 tsibble 提供 slide_tsibble() 用于滚动统计，tile_tsibble() 用于非重叠滑动窗口，以及 stretch_tsibble() 用于扩展窗口。 tbrf 提供基于日期和时间窗口而不是 n 个滞后观测值的滚动函数。 roll 提供用于计算滚动统计的并行函数。 runner 提供在滚动窗口或日期窗口中运行任何 R 函数的工具。 runstats 为一些运行样本统计提供快速计算方法。对于 data.table，froll() 可用于高性能滚动统计。
• 图形 : 时间序列图通过将 plot() 应用于 ts 对象获得。 (部分) 自相关函数图在 acf() 和 pacf() 中实现。 forecast 中的 Acf() 和 Pacf() 提供了替代版本，以及使用 tsdisplay() 的组合显示。 季节性显示使用 stats 中的 monthplot()、forecast 中的 seasonplot 和 tsutils 中的 seasplot 获得。 feasts 为 tsibble 对象提供各种时间序列图形，包括时间图、季节图、子序列图、ACF 和 PACF 图，以及一些组合显示。 tsibbletalk 使用 htmlwidgets 为 tsibbles 提供交互式图形。 dCovTS 计算并绘制时间序列的距离协方差和相关函数。 ggseas 为季节性调整的序列和滚动统计提供额外的 ggplot2 图形。 日历图在 sugrrants 中实现。 gravitas 允许可视化以双变量时间粒度为条件的概率分布。 dygraphs 为 Dygraphs 交互式时间序列图表库提供接口。 TSstudio 为时间序列提供一些交互式可视化工具。 ZRA 使用 dygraphs 绘制来自 forecast 包的预测对象。 forecast 和 vars 提供了基本的预测分布扇形图。 fanplot 中实现了更灵活的任何顺序分布的扇形图。

时间和日期

• 类 "ts" 只能处理数值时间戳，但还有更多类可用于存储时间/日期信息并进行计算。有关概述，请参阅 Gabor Grothendieck 和 Thomas Petzoldt 在 R News 4(1) 中的R 帮助台：R 中的日期和时间类，第 29-32 页。
• 来自 zoo 的类 "yearmon" 和 "yearqtr" 分别允许对每月和每季观测值进行更方便的计算。
• 来自基本包的类 "Date" 是处理每日数据中日期的基本类。日期在内部存储为自 1970-01-01 以来的天数。
• chron 包提供了 dates()、hours() 和 chron() 中的日期/时间（日内）类。不支持时区和夏令时。在内部，"chron" 对象是自 1970-01-01 以来的（分数）天数。
• 类 "POSIXct" 和 "POSIXlt" 实现了 POSIX 标准的日期/时间（日内）信息，并支持时区和夏令时。但是，时区计算需要谨慎，并且可能与系统相关。在内部，"POSIXct" 对象是自 1970-01-01 00:00:00 GMT 以来的秒数。包 lubridate 提供了简化某些基于 POSIX 的计算的功能，而 clock 提供了一个全面的库，用于使用新的正交日期时间类（持续时间、时间点、带时区的时间和日历）进行日期时间操作。一个通用的日期/时间转换器由 timeless 提供，而 anytime 将各种输入转换为 POSIXct 或 Date 对象。可以使用 almanac 进行各种循环日历计算。 timechange 允许有效地操作日期时间，同时考虑时区和夏令时。 wktmo 以多种方式将每周数据转换为每月数据。
• "timeDate" 类在 timeDate 包中提供（以前称为：fCalendar）。它旨在用于金融时间/日期信息，并通过“金融中心”的新概念处理时区和夏令时。在内部，它将所有信息存储在 "POSIXct" 中，并且仅在 GMT 中执行所有计算。日历功能，例如包括有关各种股票交易所的周末和假期的信息，也包括在内。 qlcal 允许通过 QuantLib 访问各种金融交易所日历。
• parttime 提供允许不确定性和部分缺失信息的日期时间类。
• datetimeoffset 提供具有可选 UTC 偏移量和/或异构时区的日期时间。
• 要转换格里高利历和吠陀历，请使用 VedicDateTime，而 jalcal 提供格里高利历和波斯贾拉里（或太阳历）之间的转换。对于基于年份的时间序列，era 提供当代和历史日历中使用的许多年份编号系统（例如，公元纪年，伊斯兰教“伊斯兰历”年份），以及考古学、天文学、地质学和其他古生物学中使用的时间尺度。 aion 包含一个用于处理考古时间序列的工具包。
• tis 包提供 "ti" 类用于时间/日期信息。
• mondate 包中的 "mondate" 类有助于用月份计算日期。
• CFtime 包封装了 CF 元数据约定“时间”维度，包括所有定义的日历。它有助于处理气候变化预测数据。
• tempdisagg 包包括将低频时间序列时间解聚和插值到更高频率序列的方法。时间序列解聚也由 TSdisaggregation、tsdisagg2 和 disaggR 提供。

时间序列类

• 如上所述，"ts" 是使用数字时间戳的规则间隔时间序列的基本类。
• zoo 包为使用时间戳的任意类（即允许上一节中的所有类）的规则和不规则间隔时间序列提供基础设施。它旨在尽可能与 "ts" 保持一致。
• xts 包基于 zoo，并提供对 R 的不同基于时间的數據類的统一处理。
• 有几个包旨在处理基于时间的tibbles：tsibble 提供整洁的时间数据框和相关工具；tsbox 包含用于处理和在许多时间序列类之间转换的工具，包括 tsibble、ts、xts、zoo 等。 timetk 是另一个用于在各种时间序列数据类之间转换的工具包。
• 一些时间序列操作工具在 data.table 中可用，包括用于超前/滞后操作的 shift()。 DTSg 基于 data.table，提供了更多基本的时间序列功能。 dtts 通过 nanotime 和 data.table 提供高频时间序列支持。
• collapse 提供对时间序列和面板数据进行超前/滞后操作、（准、对数）差分和增长率等多个时间序列函数的快速计算，以及面板数据的 ACF/PACF/CCF 估计。
• 各种包基于 "POSIXct" 时间戳实现了不规则时间序列，特别适用于金融应用。这些包括来自 tseries 的 "irts"。
• timeSeries（以前：fSeries）中的类 "timeSeries" 使用 "timeDate" 时间戳实现时间序列。
• tis 中的类 "tis" 使用 "ti" 时间戳实现时间序列。
• 包 tframe 包含用于设置不同格式的时间框架的基础设施。
• timeseriesdb 通过将 ts 对象映射到 PostgreSQL 关系来管理官方统计的时间序列。

预测和单变量建模

• fable 包提供工具，用于将单变量时间序列模型拟合到许多系列，包括 ETS、ARIMA、TSLM 和其他模型。它还提供许多用于计算和分析预测的函数。时间序列必须采用 tsibble 格式。 fabletools 提供工具来扩展 fable 框架。
• forecast 包提供了类似的 ts 对象工具，而 modeltime 和 modeltime.ensemble 提供了与 “tidymodels” 生态系统一起使用的时序预测工具。 modeltime.resample 提供了与 modeltime 一起使用的预测重采样工具。
• 指数平滑 : stats 中的 HoltWinters() 提供了一些具有部分优化的基本模型，来自 fable 的 ETS() 和来自 forecast 的 ets() 提供了一组更大的模型和设施，并具有完全优化功能。 smooth 实现了一些指数平滑的泛化。 legion 实现指数平滑的多元版本。 MAPA 包将不同时间聚合级别的指数平滑模型组合在一起，以提高预测精度。 Rlgt 包含一些指数平滑的贝叶斯扩展。
• prophet 基于加法模型预测时间序列，其中非线性趋势与年度和每周季节性以及节假日相适应。 它最适合使用每日数据。 fable.prophet 允许在 fable 框架中使用先知模型。
• theta 方法在来自 fable 的 THETA() 函数、来自 forecast 的 thetaf() 函数以及来自 tsutils 的 theta() 函数中实现。 forecTheta 提供了另一种扩展的实现。
• 自回归模型 : stats 中的 ar()（带模型选择）。
• ARIMA 模型 : stats 中的 arima() 函数是用于 ARIMA、SARIMA、RegARIMA 和子集 ARIMA 模型的基本函数。它在 fable 包中通过 ARIMA() 函数进行了增强，该函数允许自动建模。类似的功能在 forecast 包中通过 auto.arima() 函数提供。tseries 包中的 arma() 函数提供了用于 ARMA 和子集 ARMA 模型的不同算法。 arima2 提供了一种随机重启估计算法来替换 stats::arima()。其他估计方法，包括创新算法，由 itsmr 提供。gsarima 包包含用于广义 SARIMA 时间序列模拟的功能。 bayesforecast 拟合贝叶斯时间序列模型，包括季节性 ARIMA 和 ARIMAX 模型。 BayesARIMAX 实现 ARIMAX 模型的贝叶斯估计。 mar1s 包处理具有季节过程的乘法 AR(1)。 TSTutorial 提供了 Box-Jenkins 建模的交互式教程。 tsPI 提供了 ARIMA 和结构化时间序列模型的改进预测区间。
• 具有多个季节周期的 ARIMA 模型可以使用 tfarima 和 smooth 处理。
• 周期性 ARMA 模型 : partsm 提供周期性自回归时间序列模型，而 perARMA 和 pcts 实现周期性 ARMA 建模以及其他用于周期性时间序列分析的程序。
• 长记忆模型：fracdiff 包提供了分数差分 ARFIMA 模型的一些工具。 arfima 包为 ARFIMA 和 ARIMA 模型提供了更高级和通用的工具，包括动态回归（传递函数）模型。 nsarfima 包含用于拟合和模拟非平稳 ARFIMA 模型的额外方法。 LongMemoryTS 提供了一套用于分析长记忆时间序列的函数。 分数差分 Gegenbaur ARMA 过程由 garma 处理。 esemifar 提供了用于长记忆时间序列非参数平滑的工具。
• 传递函数模型由 arfima 包中的 arfima 函数和 tfarima 包提供。
• 结构（或未观察到的成分）模型在 stats 中的 StructTS() 中实现，而自动建模和预测由 UComp 和 autostsm 提供。 statespacer 实现了一元状态空间模型，包括结构模型和 SARIMA 模型。 贝叶斯结构时间序列模型在 bsts 中实现。 鲁棒卡尔曼滤波由 RobKF 提供。
• 非高斯时间序列可以通过 glarma 使用 GLARMA 状态空间模型来处理，以及使用 GAS 和 gasmodel 包中的广义自回归分数模型。 GlarmaVarSel 提供了高维稀疏 GLARMA 模型中的变量选择。 bssm 提供了非线性非高斯状态空间模型的条件有效贝叶斯推断。 PTSR 包含用于建模和预测一系列基于回归的正时间序列动态模型的函数。
• 计数时间序列模型在 tscount 和 acp 包中处理。 coconots 提供了用于低计数卷积闭合时间序列模型的工具。 tsintermittent 实现了几种用于分析和预测间歇性需求时间序列的模型。 ZIM 提供了用于计数时间序列的零膨胀模型。 零膨胀 INAR 模型可以使用 ZINARp 包来处理。 spINAR 包提供了 INAR 模型的半参数估计和自举。
• GARCH 模型 : tseries 中的 garch() 函数可以拟合基本的 GARCH 模型。 rugarch 提供了 GARCH 模型的许多变体。 其他单变量 GARCH 包包括 fGarch，它实现了具有广泛 GARCH 创新类的 ARIMA 模型。 bayesforecast 拟合贝叶斯时间序列模型，包括 GARCH 模型的几种变体。 Finance 任务视图中描述了更多 GARCH 包。
• 随机波动率 模型由 stochvol 在贝叶斯框架中处理。
• 删失时间序列 可以使用 ARCensReg 建模，它拟合具有自回归误差的单变量删失回归模型。
• 扩散模型，如 Bass 曲线和 Gompertz 曲线，由 diffusion 和 DIMORA 提供。
• 端口检验 通过 stats 包中的 Box.test() 函数提供。 portes、WeightedPortTest 和 testcorr 提供了额外的检验。
• 遵循 Chen-Liu 方法的异常值检测由 tsoutliers 提供。 forecast 包中的 tsoutliers 和 tsclean 函数提供了一些简单的启发式方法来识别和纠正异常值。 otsad 实现了一组用于时间序列的在线异常检测器。 tsrobprep 提供了使用基于模型的方法替换缺失值和异常值的方法。 ctbi 实现了一个用于清理、分解和聚合时间序列的程序。
• 变点检测在 strucchange 和 strucchangeRcpp（使用线性回归模型）以及 trend（使用非参数检验）中提供。 changepoint 包提供了许多流行的变点方法，而 ecp 对单变量和多变量序列进行非参数变点检测。 changepoint.np 实现了非参数 PELT 算法，而 changepoint.geo 实现了高维变点检测方法 GeomCP。 mosum 提供了一个移动和过程，用于检测单变量时间序列中的多个变点。 InspectChangepoint 使用稀疏投影来估计高维时间序列中的变点。 CptNonPar 提供了用于检测多变量时间序列中多个变点的非参数移动和过程。 VARDetect 实现了结构 VAR 模型中的多个变点检测。 Rbeast 提供贝叶斯变点检测和时间序列分解。 breakfast 包含用于快速多变点检测和估计的方法。 fastcpd 使用 PELT 的顺序梯度下降法，为回归类型数据、时间序列（ARIMA、VAR 和 GARCH）以及任何其他具有自定义成本函数的数据提供灵活且快速的变点检测。
• funtimes 提供了对可能非单调趋势的检验。
• 时间序列插补由 imputeTS 包提供。 forecast 包的 na.interp() 提供了一些更有限的功能。 imputeTestbench 提供了用于测试和比较插补方法的工具。 mtsdi 实现了用于插补多元正态时间序列中缺失值的 EM 算法，考虑了空间和时间相关性。 多元局部平稳时间序列的插补方法在 mvLSWimpute 中。
• seer 包实现了基于特征的预测模型选择框架。
• 由 finnts 提供了一个标准化的时序预测框架，其中包含许多模型，专为金融时间序列而设计。
• 可以使用 fable 包中的简单线性表达式组合预测。 ForecastComb 支持许多预测组合方法，包括简单组合、几何组合和基于回归的组合。 forecastHybrid 提供了集成预测的功能，结合了 forecast 包中的方法。 opera 具有基于用户提供的预测组合进行在线预测的功能。 profoc 使用 CRPS 学习来组合概率预测。
• 点预测评估在 fable 和 forecast 包中的 accuracy() 函数中提供。 使用评分规则进行的分布式预测评估在 fable、scoringRules 和 scoringutils 中提供。 用于比较两个模型的预测精度的 Diebold-Mariano 检验在 forecast 中的 dm.test() 函数中实现。 ForeComp 为给定的 Diebold-Mariano 检验生成大小-功效权衡图。 multDM 提供了 Diebold-Mariano 检验的多元版本。 tsutils 实现了用于比较预测的 Nemenyi 检验。 greybox 提供了 ro() 用于对预测进行一般滚动来源评估。
• 用于预测的整洁工具由 sweep 提供，将 forecast 中生成的物体转换为“整洁”数据帧。
• 使用多种机器学习方法进行的多步超前直接预测在 forecastML 中提供。
• onlineforecast 提供了一个框架，用于拟合自适应预测模型，允许将预测用作模型的输入，并允许在出现新数据时更新模型。
• 数据泄漏是预测竞赛中可能出现的一个问题，tsdataleaks 包提供了用于在这些设置中检测数据泄漏的工具。
• 其他：ltsa 包含线性时间序列分析方法，timsac 用于时间序列分析和控制。

频谱分析

• 谱密度估计 由 stats 包中的 spectrum() 提供，包括周期图、平滑周期图和 AR 估计。贝叶斯谱推断由 bspec、beyondWhittle 和 regspec 提供。 quantspec 包含用于计算和绘制单变量时间序列的拉普拉斯周期图的方法。 lomb 计算不均匀采样时间序列的 Lomb-Scargle 周期图。 spectral 使用傅里叶变换和希尔伯特变换进行谱滤波。 psd 生成自适应的正弦多锥谱密度估计。 kza 提供 Kolmogorov-Zurbenko 自适应滤波器，包括断点检测、谱分析、小波和 KZ 傅里叶变换。 multitaper 还提供一些多锥谱分析工具。高阶谱分析在 rhosa 中实现，包括双谱、双相干、交叉双谱和交叉双相干。
• 小波方法 : wavelets 包含计算小波滤波器、小波变换和多分辨率分析。 mrf 还实现了使用小波进行多分辨率预测。 WaveletComp 提供了一些基于小波的单变量和双变量时间序列分析工具，包括交叉小波、相位差和显著性检验。 biwavelet 是 WTC Matlab 包的移植版本，用于单变量和双变量小波分析。 mvLSW 提供了多元局部平稳小波过程的工具。 lpacf 提供了局部平稳小波过程的局部 PACF 估计。可以使用 forecastLSW 预测局部平稳小波过程。 LSWPlib 包含用于模拟和谱估计局部平稳小波包过程的函数。 hwwntest 提供了使用小波进行白噪声检验。 wavScalogram 包含小波标度图工具。在 waveslim 和 wavethresh 包中可以找到更多的小波方法。 CNLTtsa 提供了复值小波谱程序。
• 谐波回归 使用傅里叶项在 fable 和 forecast 包中通过 fourier 函数实现。

分解和过滤

• 滤波器和平滑 : stats 中的 filter() 提供多个单变量时间序列的自回归和移动平均线性滤波。 robfilter 包提供了几个鲁棒的时间序列滤波器。 stats 包中的 smooth() 计算 Tukey 的运行中值平滑器、3RS3R、3RSS、3R 等。 sleekts 计算 4253H 两次平滑方法。 mFilter 实现了几个用于平滑和提取趋势和周期性成分的滤波器，包括 Hodrick-Prescott 和 Butterworth 滤波器。 hpfilter 实现了单边和双边 Hodrick-Prescott 滤波器。 smoots 提供时间趋势及其导数的非参数估计。
• 分解 : 季节性分解将在下面讨论。 自回归分解由 ArDec 提供。 tsdecomp 实现了季度和月度数据的 ARIMA 分解。
• 奇异谱分析 在 Rssa 和 ASSA 中实现。
• 经验模态分解 (EMD) 和希尔伯特谱分析由 EMD 提供。 包括集成 EMD 在内的其他工具在 hht 中可用。 集成 EMD 及其完整变体的另一种实现方法在 Rlibeemd 中可用。

季节性

• 季节性分解 : stats 包在 decompose() 中提供经典分解，在 stl() 中提供 STL 分解。 增强型 STL 分解在 stlplus 中可用。 stR 提供基于回归的季节趋势分解。 smooth 和 tsutils 实现了经典分解的扩展版本。
• X-13-ARIMA-SEATS 二进制文件在 x13binary 包中提供， seasonal 提供 R 接口， seasonalview 提供 GUI。 x12 提供了另一种接口。
• JDemetra+ 季节性调整软件的接口由 RJDemetra 提供。 ggdemetra 提供相关的 ggplot2 函数。
• deseats 包含局部加权回归方法和柏林方法。
• dsa 提供了对每日时间序列的季节性调整，允许星期几、月份时间、年份时间和节假日的影响。 boiwsa 提供了对每周数据的季节性调整。
• StructuralDecompose 将时间序列分解为趋势、季节性和残差，允许水平变化。
• 季节性分析 : bfast 包提供了检测和表征从分解中获得的趋势和季节性成分中的突然变化的方法。
• season: 健康数据的季节性分析，包括回归模型、时间分层病例交叉、绘图函数和残差检查。
• seas: 季节性分析和图形，尤其适用于气候学。
• sazedR: 用于估计季节性时间序列周期的的方法。

平稳性、单位根和协整

• 平稳性和单位根：tseries 提供各种平稳性和单位根检验，包括增广 Dickey-Fuller 检验、Phillips-Perron 检验和 KPSS 检验。urca 包中提供了 ADF 和 KPSS 检验的替代实现，该包还包括其他方法，例如 Elliott-Rothenberg-Stock 检验、Schmidt-Phillips 检验和 Zivot-Andrews 检验。 uroot 提供季节性单位根检验。 CADFtest 提供标准 ADF 和协变量增强 ADF (CADF) 检验的实现。 MultipleBubbles 基于 Phillips-Shi-Yu (2015) 对泡沫的存在进行检验。
• 局部平稳性：locits 提供局部平稳性检验并计算局部自协方差。 costat 提供时间序列共平稳性确定。 LSTS 包含用于局部平稳时间序列分析的函数。 wavethresh 中实现了非平稳时间序列的局部平稳小波模型（包括估计、绘图和模拟功能，用于时变频谱）。
• 协整：Engle-Granger 两步法与 Phillips-Ouliaris 协整检验在 tseries 和 urca 中实现。后者还包含 Johansen 迹线检验和 lambda-max 检验的功能。 tsDyn 提供 Johansen 检验和 AIC/BIC 同时秩-滞后选择。 cointReg 中实现了协整回归中的参数估计和推断。 FCVAR 处理分数协整 VAR 模型。
• 自回归分布滞后 (ARDL) 模型 由 ARDL 提供，该模型自动构建底层误差修正模型。 nardl 和 ardl.nardl 都估计非线性协整自回归分布滞后模型。 Qardl 提供自回归分布滞后框架中的分位数协整。

非线性时间序列分析

• 非线性自回归 : NTS 提供了用于非线性时间序列分析的工具，包括阈值自回归模型、马尔可夫切换模型、卷积函数自回归模型和非线性检验。 tsDyn 提供了各种形式的非线性自回归，包括加性 AR、SETAR 和 LSTAR 模型、阈值 VAR 和 VECM。 EXPARMA 提供指数自回归移动平均模型。 bentcableAR 实现 Bent-Cable 自回归。 BAYSTAR 提供阈值自回归模型的贝叶斯分析。 混合 AR 模型在 mixAR 和 uGMAR 中实现。 setartree 实现了一个 SETAR 树算法和一个 SETAR 森林。 tseriesTARMA 提供了用于阈值 ARMA 模型测试拟合和预测的例程。
• 神经网络自回归 : tsDyn、GMDH 和 nnfor 提供了基于滞后输入的神经网络预测。 NlinTS 包括神经网络 VAR 和基于前馈神经网络的格兰杰因果关系检验的非线性版本。 TSLSTM 使用长短期记忆 (LSTM) 模型提供预测，而 TSLSTMplus 中实现了增强版本。 TSdeeplearning 实现 LSTM 和 GRU 网络。 TSANN 自动识别基于预测精度的一个人工神经网络。
• tseriesChaos 提供了来自TISEAN 项目 的算法的 R 实现。 DChaos 提供了几种用于检测单变量时间序列中混沌信号的算法。
• MSwM 提供了自回归马尔可夫切换模型，而 depmix 和 depmixS4 为分类和连续时间序列提供了潜在马尔可夫模型的依赖混合。
• 测试 : fNonlinear 提供了各种非线性测试。 tseriesEntropy 基于熵指标测试非线性序列依赖性，而 tseriesTARMA 提供基于阈值 ARMA 模型的非线性测试。
• nlts 和 nonlinearTseries 提供了用于非线性时间序列的附加函数。

熵

• RTransferEntropy 使用香农和雷尼传递熵来衡量时间序列之间的信息流。
• tseriesEntropy 实现了一种基于 Bhattacharya-Hellinger-Matusita 距离的熵度量。
• TSEntropies 用于计算各种近似熵和样本熵。

动态回归模型

• 动态线性模型 : dynlm 提供了通过 OLS 拟合动态回归模型的便捷接口；dyn 实现了一种增强方法，该方法也适用于其他回归函数和更多时间序列类。可以使用 dse (已归档) 拟合更高级的动态系统方程。可以使用 dlm（通过最大似然、卡尔曼滤波/平滑和贝叶斯方法）或使用 bsts（使用 MCMC）拟合高斯线性状态空间模型。 dLagM 提供具有分布滞后的时间序列回归。 dlnm 提供了用于分布滞后非线性建模的函数。 fastTS 为具有外生特征和/或复杂季节性的时间序列实现了稀疏性排序套索方法。 sym.arma 将拟合具有回归量的 ARMA 模型，其中观测值遵循条件对称分布。
• 可以使用 tpr 包拟合时变参数模型。
• greybox 提供了用于使用动态回归模型进行建模和预测的多种工具。

多元时间序列模型

• Vector autoregressive (VAR) models are provided via ar() in the basic stats package including order selection via the AIC. These models are restricted to be stationary. MTS is an all-purpose toolkit for analysing multivariate time series including VAR, VARMA, seasonal VARMA, VAR models with exogenous variables, multivariate regression with time series errors, and much more. Possibly non-stationary VAR models are fitted in the mAr package, which also allows VAR models in principal component space. Fractionally cointegrated VAR models are handled by FCVAR. sparsevar allows estimation of sparse VAR and VECM models, bigtime estimates large sparse VAR, VARX and VARMA models, while BigVAR estimates VAR and VARX models with structured lasso penalties and svars implements data-driven structural VARs. Shrinkage estimation methods for VARs are implemented in VARshrink. More elaborate models are provided in package vars, tsDyn, and estVARXls() in dse (archived). Another implementation with bootstrapped prediction intervals is given in VAR.etp. bvartools assists in the set-up of Bayesian VAR models, while bsvars and bayesianVARs include efficient algorithms for estimating Bayesian models. BVAR provides a toolkit for hierarchical Bayesian VAR models. BMTAR implements Bayesian Multivariate Threshold AR models with missing data. Factor-augmented VAR (FAVAR) models are estimated by a Bayesian method with FAVAR. BGVAR implements Bayesian Global VAR models. mlVAR provides multi-level vector autoregression. gmvarkit estimates Gaussian mixture VAR models. GNAR provides methods for fitting network AR models, while graphicalVAR and tsnet both estimate graphical VAR models. gdpc implements generalized dynamic principal components. pcdpca extends dynamic principal components to periodically correlated multivariate time series. mgm estimates time-varying mixed graphical models and mixed VAR models via regularized regression. nets provides estimation of sparse VARs using long run partial correlation networks for time series data. Factor-adjusted VARs using network estimation and forecasting for high-dimensional time series is implemented in fnets.
• NVAR 提供了非线性 VAR 模型。
• VARIMA 模型 和 状态空间模型 在 dse (已归档) 包中提供。
• 向量误差修正模型 可通过 urca、ecm、vars、tsDyn 包获得，包括带有结构约束和阈值的版本。
• 向量指数平滑 由 smooth 提供。
• 动态因子模型 在 dfms 包中使用 EM 或两步估计方法提供。具有稀疏载荷的动态因子模型在 sparseDFM 中实现。贝叶斯动态因子分析在 bayesdfa 和 bvartools 中实现。 sufficientForecasting 实现了一种基于因子的预测方法，该方法具有降维和可能非线性的预测函数。
• 预测线性增强投影 (FLAP) 方法在 flap 中实现。
• 时间序列成分分析：ForeCA 通过搜索使多元时间序列尽可能可预测的最佳线性变换来实现可预测成分分析。 HDTSA 提供了多种高维时间序列分析工具的程序。单边动态主成分在 odpc (已归档) 中计算。基于频域的动态 PCA 在 freqdom 中实现。 tsBSS 为时间序列提供盲源分离和监督降维。
• 多元状态空间模型 KFAS 包提供了一种实现，该实现提供了快速的多元卡尔曼滤波器、平滑器、模拟平滑器和预测。 FKF 提供了卡尔曼滤波器的快速灵活实现，可以处理缺失值。 FKF.SP 通过顺序处理实现快速卡尔曼滤波。 kalmanfilter 为状态空间模型提供了多元卡尔曼滤波器的“Rcpp”实现，可以处理观测和状态方程中的缺失值和外生数据。另一个实现是在 dlm 包中给出的，该包还包含将其他多元模型转换为状态空间形式的工具。 mssm (已归档) 还提供了多元状态空间模型的方法。 MARSS 使用 EM 算法拟合受约束和不受约束的多元自回归状态空间模型。 mbsts 提供了多元贝叶斯结构时间序列模型的工具。所有这些包都假设观测和状态误差项是不相关的。
• 部分观测马尔可夫过程是对通常的线性多元状态空间模型的推广，允许非高斯和非线性模型。这些在 pomp 包中实现。
• 多元随机波动率模型（使用潜在因子）由 factorstochvol 提供。
• 高维稀疏多元 GLARMA 模型由 MultiGlarmaVarSel 处理，包括变量选择。

大量时间序列的分析

• 时间序列特征在 feasts 中计算，用于 tsibble 格式的时间序列。它们使用 tsfeatures 计算，用于 ts 格式的时间序列列表或矩阵。在这两个包中，都包含许多内置特征函数，用户可以添加自己的函数。 Rcatch22 提供对 22 个特征的快速计算，这些特征被认为特别有用。 theft 计算来自各种 R 和 Python 包的时间序列特征。 fsMTS (已归档) 为多元时间序列实现了特征选择例程。序数时间序列的特征提取由 otsfeatures 提供。
• 时间序列聚类在 TSclust、dtwclust、BNPTSclust 和 pdc 中实现。
• TSdist 为时间序列数据提供距离度量。
• TSrepr 包括使用降维和特征提取表示时间序列的方法。
• 用于绘制和预测层次结构和分组时间序列集合的方法由 fable 和 hts 提供。 thief 使用层次方法来协调时间聚合时间序列的预测。 FoReco 为横截面、时间和跨时间约束时间序列提供各种预测协调方法。通过条件对层次预测进行概率协调在 bayesRecon 中可用。

动态时间规整

• 动态时间规整算法由 dtw 提供，用于计算和绘制时间序列之间的成对对齐。
• 参数时间规整在 ptw 中实现。
• rucrdtw 提供了来自 UCR 套件的函数的 R 绑定，以启用在动态时间规整和欧几里得距离下进行最佳匹配的超快速子序列搜索。
• IncDTW 提供了用于流式时间序列的动态时间规整的增量计算。
• 时间加权动态时间规整由 twdtw 提供。

函数时间序列

• 用于可视化、建模、预测和分析函数时间序列的工具在 pkg(“ftsa”) 中实现。 NTS 还实现了函数自回归模型。季节性函数自回归模型由 Rsfar 提供。 fpcb 为函数时间序列实现了预测置信带。
• fdaACF 估计函数时间序列的自相关函数。
• freqdom.fda 提供了用于函数时间序列的动态函数主成分的实现。
• STFTS 包含用于函数时间序列的平稳性、趋势和单位根检验。

矩阵和张量值时间序列

• tensorTS 提供了用于估计、模拟和预测矩阵和张量值时间序列的因子和自回归模型的函数。
• 时间序列张量因子模型在 TensorPreAve 中实现。
• RTFA 为张量时间序列提供稳健的因子分析。

连续时间模型

• carfima 允许使用连续时间 ARFIMA 模型。
• 随机微分方程的模拟和推断由 sde 和 yuima 提供。
• Sim.DiffProc 模拟和建模随机微分方程。
• resde 为单变量可约随机微分方程模型提供最大似然估计。

重采样

• 自助法 : boot 包提供函数 tsboot() 用于时间序列自助法，包括具有多种变体的块自助法。 blocklength 允许为依赖自助法选择最佳块长度。 tseries 中的 tsbootstrap() 提供快速平稳和块自助法。 时间序列的最大熵自助法在 meboot 中可用。 BootPR 计算自回归时间序列的偏差校正预测和自助法预测区间。 bootUR 实现自助法单位根检验。

时间序列数据

• tsibble 格式的各种数据集由 tsibbledata 提供。
• Cryer 和 Chan (2010, 第 2 版) 时间序列分析及其在 R 中的应用 中的数据位于 TSA 包中。
• Hyndman 和 Athanasopoulos (2018, 第 2 版) 预测：原理与实践 中的数据位于 fpp2 包中。
• Hyndman 和 Athanasopoulos (2021, 第 3 版) 预测：原理与实践 中的数据位于 fpp3 包中。
• Hyndman、Koehler、Ord 和 Snyder (2008) 指数平滑预测 中的数据位于 expsmooth 包中。
• Makridakis、Wheelwright 和 Hyndman (1998, 第 3 版) 预测：方法与应用 中的数据位于 fma 包中。
• Shumway 和 Stoffer (2017, 第 4 版) 时间序列分析及其应用：R 示例 中的数据位于 astsa 包中。
• Tsay (2005, 第 2 版) 金融时间序列分析 中的数据位于 FinTS 包中。
• Woodward、Gray 和 Elliott (2016, 第 2 版) R 应用时间序列分析 中的数据位于 tswge 包中。
• AER 和 Ecdat 都包含许多来自计量经济学教科书的数据集（包括时间序列数据）。
• Mcomp 包提供了来自 M 和 M3 预测竞赛的数据。 Tcomp 提供了 2010 年 IJF 旅游预测竞赛的数据。M4 竞赛数据可从 M4comp2018 获取。可以使用 m5 下载来自 M5 预测竞赛的数据。
• 国家时间序列数据： readabs 下载、导入和整理来自 澳大利亚统计局 的时间序列数据。 BETS 提供了访问巴西最重要的经济时间序列的途径。可以通过 ecb 访问欧洲央行的数据。可以使用 rwebstat 下载法国银行的数据。 bundesbank 允许访问德国央行的时序数据库。可以使用 dataseries 下载和导入来自 dataseries.org 的瑞士数据。可以通过 africamonitor 获取非洲的宏观经济时间序列。 ugatsdb 提供了一个 API 来访问乌干达的时间序列数据，而 samadb 为南非提供了相同的服务。可以使用 fredr 检索来自 FRED（联邦储备经济数据）的经济时间序列和其他数据。
• 时间序列数据库： rdbnomics 提供访问来自 DBnomics 的数亿个时间序列。 influxdbr 提供与 InfluxDB 时间序列数据库的接口。 pdfetch 提供从公共来源下载经济和金融时间序列的功能。来自 Quandl 在线门户网站的金融、经济和社会数据集可以通过 Quandl 包进行交互式查询。 tsdb 实现了一个用于数值时间序列的简单数据库。
• 合成数据 由 forecast 包中的 simulate() 或 fable 中的 generate() 生成，给定一个特定的模型。 gratis (已归档) 使用混合自回归模型生成具有多样化和可控特征的新时间序列。 synthesis 从常用的统计模型生成合成时间序列，包括线性、非线性系统和混沌系统。 tssim 使用季节性、日历和异常值成分灵活地模拟每日或每月时间序列。

其他

• EBMAforecast：使用 Gibbs 采样或 EM 算法进行集成贝叶斯模型平均预测。
• ensembleBMA：贝叶斯模型平均，用于从集成预测和天气观测中创建概率预测。
• FeedbackTS：分析片段时间方向性以研究时间序列中的反馈。
• gsignal 是 Octave 包“signal”的 R 实现，包含各种信号处理工具。
• paleoTS：对古生物时间序列中的演化进行建模。
• pastecs：时空序列的调节、分解和分析。
• PSF：使用模式序列预测单变量时间序列。
• RGENERATE 提供生成向量时间序列的工具。
• RMAWGEN 是一组用于空间多站点随机生成每日温度和降水时间序列的 S3 和 S4 函数，利用 VAR 模型。该软件包可用于气候学和统计水文学。
• RSEIS: 地震时间序列分析工具。
• rts: 栅格时间序列分析（例如，卫星图像的时间序列）。
• SLBDD: 基于“大依赖数据统计学习”（Pena & Tsay，2021）一书的分析大规模时间序列的函数。
• spTimer:时空贝叶斯建模。
• surveillance: 流行病现象的时间和时空建模和监测。
• Tides: 用于计算准周期时间序列特征的函数，例如观察到的河口水位。
• tsfknn: 使用 k 最近邻的时间序列预测。
• tsModel: 用于空气污染和健康的时序建模。

CRAN 软件包

相关链接

• TISEAN 项目

其他资源

• CRAN 任务视图: 计量经济学
• CRAN 任务视图: 环境计量学
• CRAN 任务视图: 金融
• GitHub 项目：M4comp2018