# ---------------------------------------------------------------------------
# Allgemeines:
#
# Zeilen, die mit '#' beginnen sind Kommentarzeilen und werden von
# R ignoriert.
#
# Vergewissern Sie sich, dass Sie sich in Ihrem Areitsverzeichnis stehen:
getwd()

# Sie koennen das Arbeitsverzeichnis mittels 'setwd' einstellen.
# Dabei ist zu beachten, dass anstatt der in DOS ueblichen 
# Rueckwaerts-Schraegstrichen (back slash) '\' die normalen Schraegstriche '/'
# (wie in URLs von Webseiten) verwendet werden:
# setwd("C:/meinarbeitsverzeichnis")

# Zu allen Befehlen gibt es mittels '?' oder 'help()' eine Online-Hilfe:
?getwd
help(getwd)

# ---------------------------------------------------------------------------
# Beispiel 1:
# Die Datei "elec.dat" enthaelt Meta-Daten rechts neben der Zahlenreihe.
# Man kann sich die Datei innerhalb von R anschauen:
file.show("elect.dat")

# Einlesen der Daten (als sogenanntes Datenframe):
dat.df <- read.table("elec.dat",fill=TRUE)

# 'fill=TRUE' bewirkt, das in Zeilen mit weniger Spalten, die fehlenden 
# Spalten mit Leerzeichen aufgefuellt werden.

# Die fuer uns interessante erste Spalte auslesen
dat <- dat.df[,1]

# Zeitreihen-Objekt erzeugen:
dat.ts <- ts(dat,start=c(1956,1),freq=12)

# Zeitreihenplot erstellen (optional mit Beschriftung):
plot.ts(dat.ts,xlab="Jahr",ylab="GWh",main="Monatliche Stromproduktion in Australien")

# ---------------------------------------------------------------------------
# Beispiel 3:

# Daten einlesen (die erste Zeile soll als Variablenname interpretiert werden):
nelplos <- read.table("nelplosser.dat",header=TRUE)

# wir koennten jetzt die Daten z.B. mit 'nelplos$lwages' ansprechen.
# einfacher geht es mit
attach(nelplos)

# die notwendigen Daten werden delogarithmiert:
nominalloehne <- exp(lwages)
realloehne <- exp(lre_wage)
vpi <- exp(lcpi)

# Vergleich (Aufgabe b)
realloehne - nominalloehne / vpi

# die Daten aus nelplos werden jetzt wieder "unsichtbar" 
# (koennen aber nach wie vor mittels (z.B.) 'nelplos$lwages' gelesen werden
detach(nelplos)

# ---------------------------------------------------------------------------
# Beispiel 4:

pkw <- read.table("PKWat.dat",skip=2,header=TRUE)
attach(pkw)
diff(bestand,1)
detach(pkw)

# ---------------------------------------------------------------------------
# Beispiel 6:

schwingung <- sin((0:36)*1/18*2*pi)
plot(ts(schwingung,freq=12,start=0))

dat <- sin((0:3)*12 *1/18*2*pi)
plot(ts(dat,freq=1,start=0))

# zusammen:
plot(ts(schwingung,freq=12,start=0))
lines(ts(dat,freq=1,start=0))

# ---------------------------------------------------------------------------
# Beispiel 7:

# kuenstliche Zeitreihe der Laenge 50 mit E(Z_t) = 0.01*t und V(Z_t)=1
z <- ts((1:50)*0.01 + 1*rnorm(50))  
plot(z)

# Analog mit 0.01, 0.1, 0.5, 1, 2, 5 und 10 statt '1' in '1*norm(50)'.
# Sie koennen auch laengere Zeitreihen erzeugen

# ---------------------------------------------------------------------------
# Beispiel 8:

elec.df <- read.table("elec.dat",fill=TRUE)
elec <- elec.df[,1]
hist(elec)

# ---------------------------------------------------------------------------
# Beispiel 9:

beer.df <- read.table("beer2.dat",fill=TRUE)
beer <- ts(beer.df,start=c(1991,1),freq=12)
lag.plot(beer,set.lags=1)
lag.plot(beer,set.lags=12)

# ---------------------------------------------------------------------------
# Beispiel 11:
# Die Datei sp500.dat enthalt Meta-Daten am Dateianfang, die den Zeitraum
# der Zeitreihe angeben:
file.show("sp500.dat")

# Einlesen der Daten (die Meta-Daten werden mittels `skip' uebersprungen:
dat.df <- read.table("sp500.dat",header=TRUE,skip=4)

# Zeitreihen-Objekt erzeugen:
fscom <- ts(dat.df$fscom, start=1967,freq=12)

# Differenz der um 12 Monate verschobenen logarithmierten Daten:
fscom.diff <- log(fscom)-log(lag(fscom,12))

# Korrelogramm (der Laenge 99):
acf(fscom.diff,99)

# ---------------------------------------------------------------------------
# Beispiel 12:

wn <- rnorm(100)
plot(wn)
acf(wn)

# ---------------------------------------------------------------------------
# Beispiel 16:

# Daten einlesen (die erste Zeile soll als Variablenname interpretiert werden):
nelplos <- read.table("nelplosser.dat",header=TRUE)

# wir koennten jetzt die Daten z.B. mit 'nelplos$lsp500' ansprechen.
# einfacher geht es mit
attach(nelplos)

# die notwendigen Daten werden delogarithmiert:
dat <- exp(lsp500)

# Anzahl der Daten
dat.len <- length(dat)

# 2x4 MA
wt <- c(1,2,2,2,1)/8
dat.ma2x4 <-  rep(NA,dat.len)
for(i in 3:(dat.len-2)) {
  dat.ma2x4[i] <- weighted.mean(dat[(i-2):(i+2)],wt)
}

# 2x12 MA
wt <- c(1,rep(2,11),1)/24
dat.ma2x12 <-  rep(NA,dat.len)
for(i in 7:(dat.len-6)) {
  dat.ma2x12[i] <- weighted.mean(dat[(i-6):(i+6)],wt)
}

# die Daten aus nelplos werden jetzt wieder "unsichtbar" 
# (koennen aber nach wie vor mittels (z.B.) 'nelplos$lsp500' gelesen werden
detach(nelplos)

# ---------------------------------------------------------------------------
# Beispiel 17:

beer.df <- read.table("beer2.dat",fill=TRUE)
beer <- ts(beer.df,start=c(1991,1),freq=12)

# Saisonbereininung
beer.decomp <- decompose(beer, type = "additive")

# Trend-Zyklus Komponente
beer.trend <- beer.decomp$trend

# Sainsonbereinigte Komponente
beer.bereinigt <- beer.decomp$trend + beer.decomp$random

# Saisonbereinigte Komponente graphisch darstellen
plot(beer.bereinigt)

# Trend-Zyklus Komponente ebenfalls im gleichen Plot anzeigen
lines(beer.trend)

# ---------------------------------------------------------------------------
# Beispiel 18:

# Einlesen der Daten (als sogenanntes Datenframe):
dat.df <- read.table("elec.dat",fill=TRUE)

# 'fill=TRUE' bewirkt, das in Zeilen mit weniger Spalten, die fehlenden 
# Spalten mit Leerzeichen aufgefuellt werden.

# Die fuer uns interessante erste Spalte auslesen
dat <- dat.df[,1]

# Zeitreihen-Objekt erzeugen:
dat.ts <- ts(dat,start=c(1956,1),freq=12)

# Saisonbereininung
dat.decomp <- decompose(dat.ts, type = "multiplicative")

# Trend-Zyklus Komponente
dat.trend <- dat.decomp$trend

# Sainsonbereinigte Komponente
dat.bereinigt <- dat.decomp$trend + dat.decomp$random

# Saisonbereinigte Komponente graphisch darstellen
plot(dat.bereinigt)

# Trend-Zyklus Komponente ebenfalls im gleichen Plot anzeigen
lines(dat.trend)

# ---------------------------------------------------------------------------
# Beispiel 19:
# Die Datei sp500.dat enthalt Meta-Daten am Dateianfang, die den Zeitraum
# der Zeitreihe angeben:
file.show("sp500.dat")

# Einlesen der Daten (die Meta-Daten werden mittels `skip' uebersprungen:
dat.df <- read.table("sp500.dat",header=TRUE,skip=4)

# Zeitreihen-Objekt erzeugen:
fscom <- ts(dat.df$fscom, start=1967,freq=12)

# Glaetten mittels SES, alpha = 0.2
geglaettet <- HoltWinters(fscom, seasonal = "multiplicative", alpha=0.2, beta=0, gamma=0)

# Glaetten mittels SES, alpha = 0.9
geglaettet <- HoltWinters(fscom, seasonal = "multiplicative", alpha=0.9, beta=0, gamma=0)

# Glaetten mittels SES, optimales alpha
geglaettet <- HoltWinters(fscom, seasonal = "multiplicative", beta=0, gamma=0)

# ---------------------------------------------------------------------------
# Beispiel 20
# Glaetten mittels additiven Verfahren von Holt

# (a) beer2:
beer.df <- read.table("beer2.dat",fill=TRUE)
beer <- ts(beer.df,start=c(1991,1),freq=12)
geglaettet <- HoltWinters(beer, seasonal = "additive", gamma=0)

# (b) SP500:
dat.df <- read.table("sp500.dat",header=TRUE,skip=4)
fscom <- ts(dat.df$fscom, start=1967,freq=12)
geglaettet <- HoltWinters(fscom, seasonal = "additive", gamma=0)

# (c) elec:
dat.df <- read.table("elec.dat",fill=TRUE)
dat <- dat.df[,1]
elec <- ts(dat,start=c(1956,1),freq=12)
geglaettet <- HoltWinters(elec, seasonal = "additive", gamma=0)

# ---------------------------------------------------------------------------
# Beispiel 21
# Glaetten mittels multiplikativen Verfahren von Holt

# (a) beer2:
beer.df <- read.table("beer2.dat",fill=TRUE)
beer <- ts(beer.df,start=c(1991,1),freq=12)
geglaettet <- HoltWinters(beer, seasonal = "multiplicative", gamma=0)

# (b) SP500:
dat.df <- read.table("sp500.dat",header=TRUE,skip=4)
fscom <- ts(dat.df$fscom, start=1967,freq=12)
geglaettet <- HoltWinters(fscom, seasonal = "multiplicative", gamma=0)

# (c) elec:
dat.df <- read.table("elec.dat",fill=TRUE)
dat <- dat.df[,1]
elec <- ts(dat,start=c(1956,1),freq=12)
geglaettet <- HoltWinters(elec, seasonal = "multiplicative", gamma=0)

# ---------------------------------------------------------------------------
# Beispiel 22
# Glaetten mittels multiplikativen Verfahren von Holt-Winters

# (a) beer2:
beer.df <- read.table("beer2.dat",fill=TRUE)
beer <- ts(beer.df,start=c(1991,1),freq=12)
geglaettet <- HoltWinters(beer, seasonal = "multiplicative")

# (b) SP500:
dat.df <- read.table("sp500.dat",header=TRUE,skip=4)
fscom <- ts(dat.df$fscom, start=1967,freq=12)
geglaettet <- HoltWinters(fscom, seasonal = "multiplicative")

# (c) elec:
dat.df <- read.table("elec.dat",fill=TRUE)
dat <- dat.df[,1]
elec <- ts(dat,start=c(1956,1),freq=12)
geglaettet <- HoltWinters(elec, seasonal = "multiplicative")

# ---------------------------------------------------------------------------
# Beispiel 24
# Prognose mittels multiplikativen Verfahren von Holt-Winters

# (a) beer2:
beer.df <- read.table("beer2.dat",fill=TRUE)
beer <- ts(beer.df,start=c(1991,1),freq=12)
geglaettet <- HoltWinters(beer, seasonal = "multiplicative")
prog <- predict(geglaettet,n.ahead=12)

# (b) SP500:
dat.df <- read.table("sp500.dat",header=TRUE,skip=4)
fscom <- ts(dat.df$fscom, start=1967,freq=12)
geglaettet <- HoltWinters(fscom, seasonal = "multiplicative")
prog <- predict(geglaettet,n.ahead=12)

# (c) elec:
dat.df <- read.table("elec.dat",fill=TRUE)
dat <- dat.df[,1]
elec <- ts(dat,start=c(1956,1),freq=12)
geglaettet <- HoltWinters(elec, seasonal = "multiplicative")
prog <- predict(geglaettet,n.ahead=12)

# ---------------------------------------------------------------------------