Próbuję uruchomić prostą regresję, ale moje zmienne Y są obserwowane z częstotliwością miesięczną, a zmienne x są obserwowane z częstotliwością roczną. Naprawdę docenię wskazówki dotyczące odpowiedniego podejścia, które można zastosować do regresji z różnymi częstotliwościami.
Dziękuję Ci bardzo
regression
time-series
magnaJ
źródło
źródło
Odpowiedzi:
Oto trzy możliwości. W zależności od sytuacji każdy może być odpowiedni.
Jest to być może najprostsze podejście, w którym zamieniasz dane o wysokiej częstotliwości (miesięcznie) na dane roczne, powiedzmy, biorąc sumy, średnie lub wartości na koniec okresu. Dane o niskiej częstotliwości (roczne) można oczywiście przekształcić w dane miesięczne przy użyciu techniki interpolacji; na przykład przy użyciu procedury Chow-Lin. Przydatne może być odwołanie się do
tempdisagg
pakietu: http://cran.r-project.org/web/packages/tempdisagg/index.html .Regresje Midasa, spopularyzowane przez Erica Ghyselsa, to druga opcja. Istnieją tutaj dwa główne pomysły. Pierwszym z nich jest wyrównanie częstotliwości. Drugim jest walka z przekleństwem wymiarowości poprzez określenie odpowiedniego wielomianu. Nieograniczony model MIDAS jest najprostszy z klasy modeli i można go oszacować za pomocą zwykłych najmniejszych kwadratów. Dalsze szczegóły i sposób implementacji tych modeli przy
R
użyciumidasr
pakietu można znaleźć tutaj: http://mpiktas.github.io/midasr/ . AbyMATLAB
zapoznać się ze stroną Ghysels: http://www.unc.edu/~eghysels/ .Jest to podejście do modelowania w przestrzeni stanów, które polega na traktowaniu danych o niskiej częstotliwości jako zawierających NA i wypełnianiu ich za pomocą filtra Kalmana. To moje osobiste preferencje, ale trudno jest określić właściwy model przestrzeni stanów.
Bardziej szczegółowe spojrzenie na zalety i wady tych metod można znaleźć w Modelach przestrzeni kosmicznej i regresjach MIDAS autorstwa Jennie Bai, Erica Ghysels i Jonathana H. Wrighta (2013).
źródło