R中多元时间序列的自动关联

Question

我有一个包含12个变量的矩阵，每个变量有1343个观测值。我希望为这些变量中的每一个计算自动关联，并使用全部数据来完成这些操作，即lag.max = 1343。

使用acf()函数我可以计算单个变量的自动关联，但我希望在单个矩阵图（3 x 4）中绘制全部12个。

使用acf(linear[,1],lag.max = (length(linear)))生产：

我的数据如下所示：

> class(linear) 
[1] "matrix" 

> str(linear) 
num [1:1343, 1:12] -102 -101 -101 -101 -101 ... 
- attr(*, "dimnames")=List of 2 
    ..$ : chr [1:1343] "2017-01-20 16:30:00" "2017-01-20 16:45:00" "2017-01-20 17:00:00" "2017-01-20 17:15:00" ... 
    ..$ : chr [1:12] "DO0182U09A3" "DO0182U09B3" "DO0182U09C3" "DO0182U21A1" ... 

我已经尝试通过列的范围中线性矩阵

acf(linear[,1:12], lag.max = 1343) 

但它似乎产生了一种acf阴谋每个图中的标题似乎表示相关性图，请参阅下图。

从阅读?acf的详细信息我看到你可以传递一个多变量时间序列，我相信我的linear对象是，但是我得到了如下的相关图。

难道我的问题是在创建linear之前我有一个对象叫wideRawXTS。

> str(wideRawXTS) 
An ‘xts’ object on 2017-01-20 16:30:00/2017-02-03 16:00:00 containing: 
    Data: num [1:1343, 1:12] -102 -101 -101 -101 -101 ... 
- attr(*, "dimnames")=List of 2 
    ..$ : NULL 
    ..$ : chr [1:12] "DO0182U09A3" "DO0182U09B3" "DO0182U09C3" "DO0182U21A1" ... 
    Indexed by objects of class: [POSIXlt,POSIXt] TZ: 
    xts Attributes: 
NULL 

因为有一些变量的缺失值我进行了一个线性插值如下：

linear <- apply(wideRawXTS, 2, na.interpolation, option = "linear") 

我需要的linear第一列再转换成一个XTS对象？

任何人都可以提供一些指导，说明在产生自相关矩阵图时我可能会出错吗？

> head(linear) 
        DO0182U09A3 DO0182U09B3 DO0182U09C3 DO0182U21A1 DO0182U21A2 DO0182U21A3 DO0182U21B1 DO0182U21B2 DO0182U21B3 
2017-01-20 16:30:00  -101.50  -103.37  -103.86  -104.78  -104.95  -105.33  -102.50  -99.43  -104.05 
2017-01-20 16:45:00  -101.32  -102.75  -104.22  -104.51  -103.94  -105.29  -102.82  -101.99  -103.94 
2017-01-20 17:00:00  -101.45  -103.30  -103.93  -104.70  -104.82  -105.13  -103.72  -103.95  -104.25 
2017-01-20 17:15:00  -100.91  -95.92  -99.22  -103.83  -104.72  -105.19  -103.57  -101.36  -104.09 
2017-01-20 17:30:00  -100.91  -103.04  -104.09  -102.15  -104.91  -105.18  -103.88  -104.09  -103.96 
2017-01-20 17:45:00  -100.97  -103.67  -104.12  -105.07  -104.23  -97.48  -103.92  -103.89  -104.01 
        DO0182U21C1 DO0182U21C2 DO0182U21C3 
2017-01-20 16:30:00  -104.51  -104.42  -105.17 
2017-01-20 16:45:00  -104.74  -104.65  -105.25 
2017-01-20 17:00:00  -105.02  -105.04  -105.32 
2017-01-20 17:15:00  -103.90  -102.95  -105.16 
2017-01-20 17:30:00  -104.75  -105.07  -105.23 
2017-01-20 17:45:00  -105.08  -105.14  -104.89 

根据来自@ eipi10这里的反馈是他们的建议输出。我的笔记本花了大约20分钟来计算，但我不知道它代表什么！所有的情节看起来都完全一样。

Answer 1

linear是一个矩阵。对于我的第一条评论中的代码，需要将linear转换为数据框，或者需要明确引用每列。下面的代码采用后一种方法：

par(mfrow=c(3,4)) 

set.seed(2) 
linear = matrix(cumsum(rnorm(12*50)), ncol=12) 

sapply(1:ncol(linear), function(i) { 
    acf(linear[,i], main=paste("Column:", i), lag.max=nrow(linear)) 
    })