矩陣中不同時間序列的互相關

Question

尋找我的問題的解決方案我找到了一箇舊帖子（Cross correlation of different time series data values in R），它準確地詢問我需要什麼，但不幸的是它沒有得到任何答案，所以我會再次問一些希望得到一些指導。

我從一個大數目相同大小的時間序列的建立一個大的矩陣，每一列都是一個不同的時間序列（類似於以下，但更大的大於零的不同更值的東西）：

 [,1] [,2] [,3] [,4] [,5] [,6] [,7] [,8] [,9] [,10] [,11] [,12] [,13] [,14] [,15] [,16] [,17] [,18] [,19] 
[1,] 0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 NA NA NA 0.0 NA 0.0 0.0 0.0 0.0 
[2,] 0 6.0 0.0 9.0 0.0 0.0 0.0 0.0 0.0 0.0 NA  0 NA 0.0 NA 0.0 0.0 0.0 0.0 
[3,] 0 0.0 0.0 5.0 0.0 0.0 0.0 0.0 0.0 0.0 NA  0 NA 0.0 NA 0.0 0.0 0.0 0.0 
[4,] 0 0.0 0.0 10.0 0.0 0.0 0.0 0.0 0.0 0.0 NA  0 NA 0.0 NA 0.0 0.0 0.0 0.0 
[5,] 0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 NA  0 NA 0.0 NA 0.0 0.0 0.0 0.0 
[6,] 0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 NA  0 NA 0.0 NA 0.0 0.0 0.0 0.0 
[7,] 0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 NA  0 NA 0.0 NA 0.0 0.0 0.0 0.0 
[8,] 0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 NA  0 NA 0.0 NA 0.0 0.0 0.0 0.0 
[9,] 0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 NA  0 NA 10.0 NA 0.0 0.0 0.0 0.0 
. 
. 
. 

我想確定所有時間序列之間的相關性，我把它們放在一個矩陣中，因爲我認爲它可能是做互相關程序的最佳方法，我可能是錯的。

所以，我也知道有關職能 「CCF」 和 「迪斯（）」：

1. （CCF）#IN基礎包
2. 迪斯（meter_daywise，方法= 「CORT」，deltamethod = 「DTW」）＃在TSclust包

但像老帖子，我也有同樣的問題：

1. CCF沒有充分矩陣輸入
個
2. 迪斯（）接受輸入矩陣和產生一些矩陣，但同時觀察值I發現這不是一個互相關矩陣，因爲這些值不-1和1之間

所以，問題我們如何計算和執行R中不同時間序列之間的互相關？

Answer 1

ccf回報在每個偏移（即滯後）的成對相關，但我想你想要的是從最大（ABS（相關性）。因爲你有NA的需要設置的參數na.action

mat <- matrix(rnorm(100000), ncol=100) 
mat[sample(1:length(mat), 100)] <- NA 

res <- sapply(1:ncol(mat), function(x) { 
    sapply(1:ncol(mat), function(z){ 
    resTmp <- ccf(x = mat[, x], y = mat[, z], plot=F, na.action = na.pass) 
    resTmp$acf[which.max(abs(resTmp$acf))] 
    }) 
}) 

從ccf幫助：

By default, no missing values are allowed. If the na.action function passes through missing values (as na.pass does), the covariances are computed from the complete cases. This means that the estimate computed may well not be a valid autocorrelation sequence, and may contain missing values.

Answer 2

一種可能性是使用combn跨所有列的組合運行ccf。下面的代碼鏈接中的問題進行了測試：

myResults <- combn(seq_len(nrow(meter_daywise)), 2, 
        FUN=function(x) ccf(meter_daywise[x[1],], meter_daywise[x[2],]), 
        simplify=FALSE) 

，併產生一個嵌套列表這樣

str(myResults) 
List of 10 
$ :List of 6 
    ..$ acf : num [1:17, 1, 1] 0.0241 0.0895 0.1463 0.0583 -0.0613 ... 
    ..$ type : chr "correlation" 
    ..$ n.used: int 15 
    ..$ lag : num [1:17, 1, 1] -8 -7 -6 -5 -4 -3 -2 -1 0 1 ... 
    ..$ series: chr "X" 
    ..$ snames: chr "meter_daywise[x[1], ] & meter_daywise[x[2], ]" 
    ..- attr(*, "class")= chr "acf" 
$ :List of 6 
    ..$ acf : num [1:17, 1, 1] -0.445 -0.493 -0.239 0.465 0.49 ... 
    ..$ type : chr "correlation" 
    ..$ n.used: int 15 
    ..$ lag : num [1:17, 1, 1] -8 -7 -6 -5 -4 -3 -2 -1 0 1 ... 
    ..$ series: chr "X" 
    ..$ snames: chr "meter_daywise[x[1], ] & meter_daywise[x[2], ]" 
    ..- attr(*, "class")= chr "acf" 

... 

列表中的每個外元件是ccf的兩對的輸出。對於您的應用程序，如時間序列存儲在列，您切換這

myResults <- combn(seq_len(ncol(myMat)), 2, 
        FUN=function(x) ccf(myMat[, x[1]], myMat[, x[2]]), simplify=FALSE) 

其中myMat是你的矩陣的名稱。你可以看到一個簡單的調用成對combn像

myPairs <- combn(seq_len(ncol(myMat)), 2)