R version 3.6.2 (2019-12-12) -- "Dark and Stormy Night"
Copyright (C) 2019 The R Foundation for Statistical Computing
Platform: x86_64-pc-linux-gnu (64-bit)

R is free software and comes with ABSOLUTELY NO WARRANTY.
You are welcome to redistribute it under certain conditions.
Type 'license()' or 'licence()' for distribution details.

R is a collaborative project with many contributors.
Type 'contributors()' for more information and
'citation()' on how to cite R or R packages in publications.

Type 'demo()' for some demos, 'help()' for on-line help, or
'help.start()' for an HTML browser interface to help.
Type 'q()' to quit R.

> ###################################################
> ### chunk number 1: setup
> ###################################################
> options(prompt = "R> ", continue = "+  ", width = 64,
+   digits = 4, show.signif.stars = FALSE, useFancyQuotes = FALSE)
R> 
R> options(SweaveHooks = list(onefig =   function() {par(mfrow = c(1,1))},
+                             twofig =   function() {par(mfrow = c(1,2))},                           
+                             threefig = function() {par(mfrow = c(1,3))},
+                             fourfig =  function() {par(mfrow = c(2,2))},
+                             sixfig =   function() {par(mfrow = c(3,2))}))
R> 
R> library("AER")
Loading required package: car
Loading required package: carData
Loading required package: lmtest
Loading required package: zoo

Attaching package: 'zoo'

The following objects are masked from 'package:base':

    as.Date, as.Date.numeric

Loading required package: sandwich
Loading required package: survival
R> 
R> suppressWarnings(RNGversion("3.5.0"))
R> set.seed(1071)
R> 
R> 
R> ###################################################
R> ### chunk number 2: options
R> ###################################################
R> options(digits = 6)
R> 
R> 
R> ###################################################
R> ### chunk number 3: ts-plot eval=FALSE
R> ###################################################
R> ## data("UKNonDurables")
R> ## plot(UKNonDurables)
R> 
R> 
R> ###################################################
R> ### chunk number 4: UKNonDurables-data
R> ###################################################
R> data("UKNonDurables")
R> 
R> 
R> ###################################################
R> ### chunk number 5: tsp
R> ###################################################
R> tsp(UKNonDurables)
[1] 1955.00 1988.75    4.00
R> 
R> 
R> ###################################################
R> ### chunk number 6: window
R> ###################################################
R> window(UKNonDurables, end = c(1956, 4))
      Qtr1  Qtr2  Qtr3  Qtr4
1955 24030 25620 26209 27167
1956 24620 25972 26285 27659
R> 
R> 
R> ###################################################
R> ### chunk number 7: filter eval=FALSE
R> ###################################################
R> ## data("UKDriverDeaths")
R> ## plot(UKDriverDeaths)
R> ## lines(filter(UKDriverDeaths, c(1/2, rep(1, 11), 1/2)/12),
R> ##   col = 2)
R> 
R> 
R> ###################################################
R> ### chunk number 8: ts-plot1
R> ###################################################
R> data("UKNonDurables")
R> plot(UKNonDurables)
R> data("UKDriverDeaths")
R> plot(UKDriverDeaths)
R> lines(filter(UKDriverDeaths, c(1/2, rep(1, 11), 1/2)/12),
+    col = 2)
R> 
R> 
R> ###################################################
R> ### chunk number 9: filter1 eval=FALSE
R> ###################################################
R> ## data("UKDriverDeaths")
R> ## plot(UKDriverDeaths)
R> ## lines(filter(UKDriverDeaths, c(1/2, rep(1, 11), 1/2)/12),
R> ##   col = 2)
R> 
R> 
R> ###################################################
R> ### chunk number 10: rollapply
R> ###################################################
R> plot(rollapply(UKDriverDeaths, 12, sd))
R> 
R> 
R> ###################################################
R> ### chunk number 11: ar-sim
R> ###################################################
R> set.seed(1234)
R> x <- filter(rnorm(100), 0.9, method = "recursive")
R> 
R> 
R> ###################################################
R> ### chunk number 12: decompose
R> ###################################################
R> dd_dec <- decompose(log(UKDriverDeaths))
R> dd_stl <- stl(log(UKDriverDeaths), s.window = 13)
R> 
R> 
R> ###################################################
R> ### chunk number 13: decompose-components
R> ###################################################
R> plot(dd_dec$trend, ylab = "trend")
R> lines(dd_stl$time.series[,"trend"], lty = 2, lwd = 2)
R> 
R> 
R> ###################################################
R> ### chunk number 14: seat-mean-sd
R> ###################################################
R> plot(dd_dec$trend, ylab = "trend")
R> lines(dd_stl$time.series[,"trend"], lty = 2, lwd = 2)
R> plot(rollapply(UKDriverDeaths, 12, sd))
R> 
R> 
R> ###################################################
R> ### chunk number 15: stl
R> ###################################################
R> plot(dd_stl)
R> 
R> 
R> ###################################################
R> ### chunk number 16: Holt-Winters
R> ###################################################
R> dd_past <- window(UKDriverDeaths, end = c(1982, 12))
R> ## dd_hw <- try(HoltWinters(dd_past)) ## IGNORE_RDIFF, excluded due to small numeric deviations on different platforms
R> ## if(!inherits(dd_hw, "try-error")) {
R> ## dd_pred <- predict(dd_hw, n.ahead = 24)
R> ## 
R> ## 
R> ## ###################################################
R> ## ### chunk number 17: Holt-Winters-plot
R> ## ###################################################
R> ## plot(dd_hw, dd_pred, ylim = range(UKDriverDeaths))
R> ## lines(UKDriverDeaths)
R> ## 
R> ## 
R> ## ###################################################
R> ## ### chunk number 18: Holt-Winters-plot1
R> ## ###################################################
R> ## plot(dd_hw, dd_pred, ylim = range(UKDriverDeaths))
R> ## lines(UKDriverDeaths)
R> ## }
R> 
R> ###################################################
R> ### chunk number 19: acf eval=FALSE
R> ###################################################
R> ## acf(x)
R> ## pacf(x)
R> 
R> 
R> ###################################################
R> ### chunk number 20: acf1
R> ###################################################
R> acf(x, ylim = c(-0.2, 1))
R> pacf(x, ylim = c(-0.2, 1))
R> 
R> 
R> ###################################################
R> ### chunk number 21: ar
R> ###################################################
R> ar(x)

Call:
ar(x = x)

Coefficients:
    1  
0.928  

Order selected 1  sigma^2 estimated as  1.29
R> 
R> 
R> ###################################################
R> ### chunk number 22: window-non-durab
R> ###################################################
R> nd <- window(log(UKNonDurables), end = c(1970, 4))
R> 
R> 
R> ###################################################
R> ### chunk number 23: non-durab-acf
R> ###################################################
R> acf(diff(nd), ylim = c(-1, 1))
R> pacf(diff(nd), ylim = c(-1, 1))
R> acf(diff(diff(nd, 4)), ylim = c(-1, 1))
R> pacf(diff(diff(nd, 4)), ylim = c(-1, 1))
R> 
R> 
R> ###################################################
R> ### chunk number 24: non-durab-acf1
R> ###################################################
R> acf(diff(nd), ylim = c(-1, 1))
R> pacf(diff(nd), ylim = c(-1, 1))
R> acf(diff(diff(nd, 4)), ylim = c(-1, 1))
R> pacf(diff(diff(nd, 4)), ylim = c(-1, 1))
R> 
R> 
R> ###################################################
R> ### chunk number 25: arima-setup
R> ###################################################
R> nd_pars <- expand.grid(ar = 0:2, diff = 1, ma = 0:2,
+    sar = 0:1, sdiff = 1, sma = 0:1)
R> nd_aic <- rep(0, nrow(nd_pars))
R> for(i in seq(along = nd_aic)) nd_aic[i] <- AIC(arima(nd,
+    unlist(nd_pars[i, 1:3]), unlist(nd_pars[i, 4:6])),
+    k = log(length(nd)))
R> nd_pars[which.min(nd_aic),]
   ar diff ma sar sdiff sma
22  0    1  1   0     1   1
R> 
R> 
R> ###################################################
R> ### chunk number 26: arima
R> ###################################################
R> nd_arima <- arima(nd, order = c(0,1,1), seasonal = c(0,1,1))
R> nd_arima

Call:
arima(x = nd, order = c(0, 1, 1), seasonal = c(0, 1, 1))

Coefficients:
         ma1    sma1
      -0.353  -0.583
s.e.   0.143   0.138

sigma^2 estimated as 9.65e-05:  log likelihood = 188.14,  aic = -370.27
R> 
R> 
R> ###################################################
R> ### chunk number 27: tsdiag
R> ###################################################
R> tsdiag(nd_arima)
R> 
R> 
R> ###################################################
R> ### chunk number 28: tsdiag1
R> ###################################################
R> tsdiag(nd_arima)
R> 
R> 
R> ###################################################
R> ### chunk number 29: arima-predict
R> ###################################################
R> nd_pred <- predict(nd_arima, n.ahead = 18 * 4)
R> 
R> 
R> ###################################################
R> ### chunk number 30: arima-compare
R> ###################################################
R> plot(log(UKNonDurables))
R> lines(nd_pred$pred, col = 2)
R> 
R> 
R> ###################################################
R> ### chunk number 31: arima-compare1
R> ###################################################
R> plot(log(UKNonDurables))
R> lines(nd_pred$pred, col = 2)
R> 
R> 
R> ###################################################
R> ### chunk number 32: pepper
R> ###################################################
R> data("PepperPrice")
R> plot(PepperPrice, plot.type = "single", col = 1:2)
R> legend("topleft", c("black", "white"), bty = "n", 
+  col = 1:2, lty = rep(1,2))
R> 
R> 
R> ###################################################
R> ### chunk number 33: pepper1
R> ###################################################
R> data("PepperPrice")
R> plot(PepperPrice, plot.type = "single", col = 1:2)
R> legend("topleft", c("black", "white"), bty = "n", 
+  col = 1:2, lty = rep(1,2))
R> 
R> 
R> ###################################################
R> ### chunk number 34: adf1
R> ###################################################
R> library("tseries")
R> adf.test(log(PepperPrice[, "white"]))

	Augmented Dickey-Fuller Test

data:  log(PepperPrice[, "white"])
Dickey-Fuller = -1.744, Lag order = 6, p-value = 0.684
alternative hypothesis: stationary

R> 
R> 
R> ###################################################
R> ### chunk number 35: adf1
R> ###################################################
R> adf.test(diff(log(PepperPrice[, "white"])))

	Augmented Dickey-Fuller Test

data:  diff(log(PepperPrice[, "white"]))
Dickey-Fuller = -5.336, Lag order = 6, p-value = 0.01
alternative hypothesis: stationary

Warning message:
In adf.test(diff(log(PepperPrice[, "white"]))) :
  p-value smaller than printed p-value
R> 
R> 
R> ###################################################
R> ### chunk number 36: pp
R> ###################################################
R> pp.test(log(PepperPrice[, "white"]), type = "Z(t_alpha)")

	Phillips-Perron Unit Root Test

data:  log(PepperPrice[, "white"])
Dickey-Fuller Z(t_alpha) = -1.644, Truncation lag
parameter = 5, p-value = 0.726
alternative hypothesis: stationary

R> 
R> 
R> ###################################################
R> ### chunk number 37: urca eval=FALSE
R> ###################################################
R> ## library("urca")
R> ## pepper_ers <- ur.ers(log(PepperPrice[, "white"]),
R> ##   type = "DF-GLS", model = "const", lag.max = 4)
R> ## summary(pepper_ers)
R> 
R> 
R> ###################################################
R> ### chunk number 38: kpss
R> ###################################################
R> kpss.test(log(PepperPrice[, "white"]))

	KPSS Test for Level Stationarity

data:  log(PepperPrice[, "white"])
KPSS Level = 0.6173, Truncation lag parameter = 5,
p-value = 0.0211

R> 
R> 
R> ###################################################
R> ### chunk number 39: po
R> ###################################################
R> po.test(log(PepperPrice))

	Phillips-Ouliaris Cointegration Test

data:  log(PepperPrice)
Phillips-Ouliaris demeaned = -24.1, Truncation lag
parameter = 2, p-value = 0.024

R> 
R> 
R> ###################################################
R> ### chunk number 40: joh-trace
R> ###################################################
R> library("urca")
R> pepper_jo <- ca.jo(log(PepperPrice), ecdet = "const",
+    type = "trace")
R> ## summary(pepper_jo) ## IGNORE_RDIFF, excluded due to small numeric deviations on different platforms
R> 
R> 
R> ###################################################
R> ### chunk number 41: joh-lmax eval=FALSE
R> ###################################################
R> ## pepper_jo2 <- ca.jo(log(PepperPrice), ecdet = "const", type = "eigen")
R> ## summary(pepper_jo2)
R> 
R> 
R> ###################################################
R> ### chunk number 42: dynlm-by-hand
R> ###################################################
R> dd <- log(UKDriverDeaths)
R> dd_dat <- ts.intersect(dd, dd1 = lag(dd, k = -1),
+    dd12 = lag(dd, k = -12))
R> lm(dd ~ dd1 + dd12, data = dd_dat)

Call:
lm(formula = dd ~ dd1 + dd12, data = dd_dat)

Coefficients:
(Intercept)          dd1         dd12  
      0.421        0.431        0.511  

R> 
R> 
R> ###################################################
R> ### chunk number 43: dynlm
R> ###################################################
R> library("dynlm")
R> dynlm(dd ~ L(dd) + L(dd, 12))

Time series regression with "ts" data:
Start = 1970(1), End = 1984(12)

Call:
dynlm(formula = dd ~ L(dd) + L(dd, 12))

Coefficients:
(Intercept)        L(dd)    L(dd, 12)  
      0.421        0.431        0.511  

R> 
R> 
R> ###################################################
R> ### chunk number 44: efp
R> ###################################################
R> library("strucchange")
R> dd_ocus <- efp(dd ~ dd1 + dd12, data = dd_dat,
+    type = "OLS-CUSUM")
R> 
R> 
R> ###################################################
R> ### chunk number 45: efp-test
R> ###################################################
R> sctest(dd_ocus)

	OLS-based CUSUM test

data:  dd_ocus
S0 = 1.487, p-value = 0.0241

R> 
R> 
R> ###################################################
R> ### chunk number 46: efp-plot eval=FALSE
R> ###################################################
R> ## plot(dd_ocus)
R> 
R> 
R> ###################################################
R> ### chunk number 47: Fstats
R> ###################################################
R> dd_fs <- Fstats(dd ~ dd1 + dd12, data = dd_dat, from = 0.1)
R> plot(dd_fs)
R> sctest(dd_fs)

	supF test

data:  dd_fs
sup.F = 19.33, p-value = 0.00672

R> 
R> 
R> ###################################################
R> ### chunk number 48: ocus-supF
R> ###################################################
R> plot(dd_ocus)
R> plot(dd_fs, main = "supF test")
R> 
R> 
R> ###################################################
R> ### chunk number 49: GermanM1
R> ###################################################
R> data("GermanM1")
R> LTW <- dm ~ dy2 + dR + dR1 + dp + m1 + y1 + R1 + season
R> 
R> 
R> ###################################################
R> ### chunk number 50: re eval=FALSE
R> ###################################################
R> ## m1_re <- efp(LTW, data = GermanM1, type = "RE")
R> ## plot(m1_re)
R> 
R> 
R> ###################################################
R> ### chunk number 51: re1
R> ###################################################
R> m1_re <- efp(LTW, data = GermanM1, type = "RE")
R> plot(m1_re)
R> 
R> 
R> ###################################################
R> ### chunk number 52: dating
R> ###################################################
R> dd_bp <- breakpoints(dd ~ dd1 + dd12, data = dd_dat, h = 0.1)
R> 
R> 
R> ###################################################
R> ### chunk number 53: dating-coef
R> ###################################################
R> coef(dd_bp, breaks = 2)
                   (Intercept)      dd1     dd12
1970(1) - 1973(10)     1.45776 0.117323 0.694480
1973(11) - 1983(1)     1.53421 0.218214 0.572330
1983(2) - 1984(12)     1.68690 0.548609 0.214166
R> 
R> 
R> ###################################################
R> ### chunk number 54: dating-plot eval=FALSE
R> ###################################################
R> ## plot(dd)
R> ## lines(fitted(dd_bp, breaks = 2), col = 4)
R> ## lines(confint(dd_bp, breaks = 2))
R> 
R> 
R> ###################################################
R> ### chunk number 55: dating-plot1
R> ###################################################
R> plot(dd_bp, legend = FALSE, main = "")
R> plot(dd)
R> lines(fitted(dd_bp, breaks = 2), col = 4)
R> lines(confint(dd_bp, breaks = 2))
R> 
R> 
R> ###################################################
R> ### chunk number 56: StructTS
R> ###################################################
R> dd_struct <- StructTS(log(UKDriverDeaths))
R> 
R> 
R> ###################################################
R> ### chunk number 57: StructTS-plot eval=FALSE
R> ###################################################
R> ## plot(cbind(fitted(dd_struct), residuals(dd_struct)))
R> 
R> 
R> ###################################################
R> ### chunk number 58: StructTS-plot1
R> ###################################################
R> dd_struct_plot <- cbind(fitted(dd_struct), residuals = residuals(dd_struct))
R> colnames(dd_struct_plot) <- c("level", "slope", "season", "residuals")
R> plot(dd_struct_plot, main = "")
R> 
R> 
R> ###################################################
R> ### chunk number 59: garch-plot
R> ###################################################
R> data("MarkPound")
R> plot(MarkPound, main = "")
R> 
R> 
R> ###################################################
R> ### chunk number 60: garch
R> ###################################################
R> data("MarkPound")
R> mp <- garch(MarkPound, grad = "numerical", trace = FALSE)
R> summary(mp)

Call:
garch(x = MarkPound, grad = "numerical", trace = FALSE)

Model:
GARCH(1,1)

Residuals:
     Min       1Q   Median       3Q      Max 
-6.79739 -0.53703 -0.00264  0.55233  5.24867 

Coefficient(s):
    Estimate  Std. Error  t value Pr(>|t|)
a0    0.0109      0.0013     8.38   <2e-16
a1    0.1546      0.0139    11.14   <2e-16
b1    0.8044      0.0160    50.13   <2e-16

Diagnostic Tests:
	Jarque Bera Test

data:  Residuals
X-squared = 1060, df = 2, p-value <2e-16


	Box-Ljung test

data:  Squared.Residuals
X-squared = 2.478, df = 1, p-value = 0.115

R> 
R> 
R> 
> proc.time()
   user  system elapsed 
  4.372   2.273   3.386