You need to enable JavaScript to run this app. 如何用R实现t月降雨与t+1、t+2月粮食可得性的时间序列相关性分析
优惠活动
大模型
产品
解决方案
定价
更多

如何用R实现t月降雨与t+1、t+2月粮食可得性的时间序列相关性分析

跨滞后时间相关性分析的R操作步骤

1. 数据加载与预处理

本次使用演示数据集,核心字段包括月度时间标识、月度降雨量(Rain列)、演示用粮食可得性指标(fruits列),将数据集导入R环境的代码如下:

ts_data <- structure(list(Month = c("Jan-17", "Feb-17", "Mar-17", "Apr-17", 
"May-17", "Jun-17", "Jul-17", "Aug-17", "Sep-17", "Oct-17", "Nov-17", 
"Dec-17"), Rain = c(43, 78, 144.9, 124.7, 86.8, 0, 25.1, 48.9, 
125.4, 185.4, 185.5, 62.2), fruits = c(NA, NA, 14.02439024, 28.65853659, 
32.31707317, 12.60162602, 16.46341463, 21.95121951, 9.146341463, 
5.487804878, 6.097560976, 10.97560976)), class = "data.frame", row.names = c(NA, -12L))

按照研究目标完成变量的时间对齐:

  • 对齐t月降雨量与t+1月粮食可得性:提取Rain列第1到n-1行的取值,匹配fruits列第2到n行的取值
  • 对齐t月降雨量与t+2月粮食可得性:提取Rain列第1到n-2行的取值,匹配fruits列第3到n行的取值
  • 自动剔除匹配后存在缺失值的行,避免缺失值干扰计算结果

对应实现代码:

total_row <- nrow(ts_data)
# 构建滞后1期匹配数据集
lag1_dataset <- data.frame(
  rain_month_t = ts_data$Rain[1:(total_row - 1)],
  food_month_t1 = ts_data$fruits[2:total_row]
)
# 构建滞后2期匹配数据集
lag2_dataset <- data.frame(
  rain_month_t = ts_data$Rain[1:(total_row - 2)],
  food_month_t2 = ts_data$fruits[3:total_row]
)
# 剔除缺失值
lag1_valid <- na.omit(lag1_dataset)
lag2_valid <- na.omit(lag2_dataset)

2. 相关性计算与检验

对两组对齐完成的变量计算皮尔逊线性相关系数,同时输出相关性的统计显著性检验结果,判断关联是否为随机波动导致:

# 计算t月降雨与t+1月粮食可得性的相关性
cor_result_lag1 <- cor.test(lag1_valid$rain_month_t, lag1_valid$food_month_t1)
# 计算t月降雨与t+2月粮食可得性的相关性
cor_result_lag2 <- cor.test(lag2_valid$rain_month_t, lag2_valid$food_month_t2)

结果解读规则:

  • 相关系数取值范围为[-1,1],绝对值越接近1代表线性关联强度越高;系数为正代表t月降雨量越高,对应后续月份粮食可得性越高,系数为负代表反向关联
  • 检验输出的p值小于0.05时,代表观测到的相关性在95%置信水平下统计显著

3. 实操注意事项

  • 结合已完成的自相关、自回归分析结果交叉验证:如果序列存在显著自相关,需要先通过差分剔除自相关成分后再计算跨变量相关性,避免伪相关
  • 本次使用的示例数据集仅包含12条月度观测,样本量较小,计算结果仅作方法演示;正式研究需要拉长时间序列长度,提升结果可靠性

内容的提问来源于stack exchange,提问作者Deo Tuyisingize

相关产品推荐
方舟 Agent Plan

超全模态模型 × Harness 升级,最新支持 Deepseek-V4.1-Flash、GLM-5.3 系列、Doubao-Seedream-5.0-pro、Kimi-K3 (部分), 限时 9.9 元起

最近更新时间:2026.10.31 02:27:03