Регрессия с разной частотой


10

Я пытаюсь запустить простую регрессию, но мои переменные Y наблюдаются на ежемесячной частоте, а x переменных - на годовой. Я буду очень признателен за некоторые рекомендации относительно подходящего подхода, который может быть использован для регрессий с разными частотами.

большое спасибо


Если вы рассматриваете отношения как причинно-следственные, возможно, стоит задуматься над тем, как именно вы видите X, ведущий к Y - это часто делает потенциальную стратегию более ясной. Как ваша ежегодная вещь приводит к результатам на вашей ежемесячной вещи? Является ли X прокси для чего-то еще, или Y действительно зависит от year-X?
Glen_b

Ответы:


6

Три возможности следуют. В зависимости от ситуации может подойти любой.

  1. Время агрегации или дезагрегации.

Это, пожалуй, самый простой подход, при котором высокочастотные данные (ежемесячные) преобразуются в годовые данные, например, с помощью сумм, средних значений или значений на конец периода. Низкочастотные (годовые) данные могут, конечно, быть преобразованы в месячные данные с использованием некоторой техники интерполяции; например, используя процедуру Чоу-Лин. Для этого может быть полезно обратиться к tempdisaggпакету: http://cran.r-project.org/web/packages/tempdisagg/index.html .

  1. Mi (xed) da (ta) s (ampling) (MIDAS).

Регрессии Midas, популяризированные Эриком Гизелсом, являются вторым вариантом. Здесь есть две основные идеи. Во-первых, выравнивание частоты. Второй заключается в том, чтобы справиться с проклятием размерности, указав соответствующий многочлен. Неограниченная модель MIDAS является самой простой из класса моделей и может быть оценена обычными наименьшими квадратами. Более подробная информация и как реализовать эти модели с Rпомощью midasrпакета можно найти здесь: http://mpiktas.github.io/midasr/ . Для MATLAB, обратитесь к странице Ghysels: http://www.unc.edu/~eghysels/ .

  1. Методы фильтра Калмана.

Это подход моделирования пространства состояний, который включает обработку низкочастотных данных как содержащих NA и заполнение их с использованием фильтра Калмана. Это мое личное предпочтение, но оно затрудняет определение правильной модели пространства состояний.

Для взгляда более углубленному на плюсы и минусы этих методов, см Государственный космический Модели и MIDAS регрессий по Дженни Бай, Эрик Ghysels и Джонатан Х. Райт (2013).


В Python также есть некоторая реализация MiDAS: github.com/mikemull/midaspy
Рафаэль Валеро
Используя наш сайт, вы подтверждаете, что прочитали и поняли нашу Политику в отношении файлов cookie и Политику конфиденциальности.
Licensed under cc by-sa 3.0 with attribution required.