Предположим, я рассматриваю несколько независимых переменных для возможного включения в разрабатываемую модель ARIMAX. Прежде чем подгонять различные переменные, я бы хотел отобрать переменные, которые проявляют обратную причинность, с помощью теста Грейнджера (я использую granger.test
функцию из MSBVAR
пакета в R, хотя, я полагаю, другие имплиментации работают аналогично). Как определить, сколько лагов нужно проверить?
Функция R: granger.test(y, p)
где y
фрейм данных или матрица, и p
это лаги.
Нулевая гипотеза состоит в том, что последние значение не помогает при прогнозировании величины .
Есть ли причина не выбирать здесь очень большое отставание (кроме потери наблюдений)?
Обратите внимание, что я уже различал каждый временной ряд в моем фрейме данных, основываясь на порядке интеграции моих зависимых временных рядов. (Например, дифференцирование моего зависимого временного ряда однажды сделало его стационарным. Следовательно, я также один раз дифференцировал все «независимые» временные ряды.)