一、导入数据

num<-read.csv("D:\\nhtemp.csv",header = T)
num

二、画出时序图

number<-ts(num[,2],start = 1912)
number
plot(number)

三、平稳性检验和白噪声检验

ADF检验

library(aTSA)
adf.test(number, nlag = 2)

从ADF检验结果上看，在95%的显著性水平下，P<0.05，拒绝原假设，该序列为平稳性序列。

白噪声检验（纯随机性检验）

lag=c()
Q.value=c()
p.value=c()
for(i in 1:6){test=Box.test(number,lag=i,type="Ljung-Box")lag[i]=iQ.value[i]=test$statisticp.value[i]=test$p.value
}
data.frame(lag=lag,Q.value=Q.value,p.value=p.value)

从纯随机性结果上看，p值均小于0.05，拒绝原假设，该时间序列为非白噪声序列。
从以上检验可以确认，该时间序列为平稳非白噪声序列。

四、计算ACF和PACF

par(mfrow=c(1,2))
acf(number)
pacf(number)

根据自相关图，判断该自相关图五阶拖尾或截尾，偏自相关图二阶截尾拖尾，尝试拟合AR(2)或MA(5)模型

五、模型拟合–估计模型中未知参数的值

1、AR(2)模型

fit_xAR=arima(number,order=c(2,0,0),include.mean = T,method="CSS-ML")
fit_xAR

根据上述输出结果可以得出，
φ0=51.1908*(1-0.2191-0.3178)
Xt=23.70646 + 0.2191Xt-1 + 0.3178Xt-2 + et

2、MA(5)模型

fit_xMA <- arima(number, order = c(0, 0, 5))
fit_xMA

根据上述输出结果可以得出，
xt - 51.1694 = et/(1 - 0.2737B-0.3975B^2 - 0.2655B^3 -0.0612B^4 + 0.1770B^5)

六、模型检验

一、参数显著性检验

AR(2)

t = abs(fit_xAR$coef)/sqrt(diag(fit_xAR$var.coef))
pt(t, length(number) - length(fit_xAR$coef), lower.tail = F)

结论：AR(2)模型的两个系数检验p值均很小，拒绝原假设，两个参数显著非零，保留

MA(5)

t = abs(fit_xMA$coef)/sqrt(diag(fit_xMA$var.coef))
pt(t, length(number) - length(fit_xMA$coef), lower.tail = F)

结论：MR(6)模型的系数检验p值均很小，拒绝原假设，两个参数均显著非零，保留

二、模型显著性检验

1、AR(2)

library(aTSA)
ts.diag(fit_xAR)

结论：由检验结果可知，AR（2）模型的残差序列p值均很大，不拒绝原假设，所以该模型的残差序列是白噪声序列，检验结果为拟合模型显著成立。

2、MA(5)

library(aTSA)
ts.diag(fit_xMA)

结论：由检验结果可知，MA(5)模型的残差序列p值均很大，不拒绝原假设，所以该模型的残差序列是白噪声序列，检验结果为拟合模型显著成立。
根据上述输出结果可以得出，残差序列均属于白噪声序列，则认为MA(5)模型和AR(2)模型拟合显著有效

七、用AIC准则和BIC准则评判模型的相对优劣

data.frame(AIC(fit_xMA), AIC(fit_xAR), BIC(fit_xMA), BIC(fit_xAR))

结论：根据上述结果得出，AR(2)模型的AIC和BIC值比MA(5)模型的值小，所以可以认为AR(2)模型相对最优。

八、预测未来三年温度

library(forecast)
fore_AR <- forecast(fit_xAR, h = 3)
fore_AR

plot(fore_AR)

手动预测：Xt=23.70646+0.2191Xt-1+0.3178Xt-2+ et

当t=1972时，Xt=23.70646+0.2191*53+0.317851.9=51.81258

当t=1973时，Xt=23.70646+0.219151.81258+0.317853=51.902

当t=1974时，Xt=23.70646+0.219151.902+0.317851.81258=51.54423

模型预测未来三年的温度分别为：

1972：51.81253

1973：51.90197

1974：51.54419

比较上述两个预测结果，可以发现结果相查不大。

用模型拟合New Haven市年平均气温变化并预测未来三年的温度相关推荐

运用自回归滑动平均模型、灰色预测模型、BP神经网络三种模型分别预测全球平均气温，并进行预测精度对比（附代码、数据）
大家好,我是带我去滑雪,每天教你一个小技巧!全球变暖是近十年来,人们关注度最高的话题.2022年夏天,蔓延全球40℃以上的极端天气不断刷新人们对于高温的认知,人们再也不会像从前那样认为全球变暖离我们遥 ...
matlab 累积距平,近56年长春市气温变化特征研究
1.研究区概况及方法长春位于北纬43°05-45°15',东经124°18-127°05年,东部山地湿润和西部平原之间的半干旱地区,湿润的温带大陆性气候类型之间的过渡区,位于中国东北平原松辽平原腹地 ...
中国368个城市逐年平均气温（2001-2022年）
本数据从NCEI网站下载到的原始数据是气象观测站点的数据,每个站点记录的是逐日的气象指标,我们基于气象站点的经纬度,以及气象站点的逐日的平均气温数值,插值(采用的是反距离权重法插值)得到全国范围的逐日 ...
各纬度气候分布图_读我国一月平均气温分布图，寻找我国冬季气温最高和最低的地方...
地图是地理学的语言,地图能够科学地反映出自然和社会经济现象的分布特征及其相互关系,所以我们阅读地图也能获取许多的地理信息.之前我们已经通过读中国年平均气温分布图.世界年降水量分布图.世界年平均气温分布 ...
各纬度气候分布图_读中国年平均气温分布图，寻找中国全年平均气温最高和最低的地方...
自然地理环境包括地形.气候.土壤.植被和水文等要素,一个地区的气候又是由气温.降水.光照等要素来组成的.在分析一个地区的气温特征时,我们主要从年均温和气温年较差两个角度来入手,影响气温高低的因素有很多 ...
利用Excel VBA批量计算气象数据多个台站多年来春季和冬季降水量和平均气温
气象数据是地理数据的重要组成部分,存储量虽然不大,但是处理过程非常繁琐,长时序数据更不用说.本文总结了一个气象数据的基本处理方法. 如下图所示,气象数据的排列格式是区站号→年→月→降水量→平均气温,时 ...
数据分享｜中国各省、各市、各区县分年、分月、逐日平均气温数据（2000年～2019年）
今天分享给大家的是 2000 年-2019 年中国各省.各市.各县的分年.分月.逐日的平均气温数据(单位:摄氏度) 原始数据来源于国家气象科学数据共享服务平台-中国地面气候资料日值数据集(V3.0), ...
MOOC数据结构（下）（自主模式）-平均气温(Temperature)
平均气温(Temperature) Description A weather station collects temperature data from observation stations ...
平均气温(Temperature)
平均气温(Temperature) Description A weather station collects temperature data from observation stations ...

用模型拟合New Haven市年平均气温变化并预测未来三年的温度