J'essaie de faire une régression simple mais mes variables Y sont observées sur une fréquence mensuelle et les variables x sont observées sur une fréquence annuelle. J'apprécierai vraiment quelques conseils sur une approche appropriée qui peut être utilisée pour des régressions avec différentes fréquences.
Merci beaucoup
regression
time-series
magnaJ
la source
la source
Réponses:
Trois possibilités s'ensuivent. Selon la situation, n'importe qui pourrait convenir.
Il s'agit peut-être de l'approche la plus simple dans laquelle vous convertissez les données haute fréquence (mensuelles) en données annuelles en prenant, par exemple, des sommes, des moyennes ou des valeurs de fin de période. Les données de basse fréquence (annuelles) pourraient bien sûr être converties en données mensuelles en utilisant une technique d'interpolation; par exemple, en utilisant la procédure Chow-Lin. Il peut être utile de se référer au
tempdisaggpackage pour cela: http://cran.r-project.org/web/packages/tempdisagg/index.html .Les régressions Midas, popularisées par Eric Ghysels, sont une deuxième option. Il y a deux idées principales ici. Le premier est l'alignement de fréquence. La seconde consiste à lutter contre la malédiction de la dimensionnalité en spécifiant un polynôme approprié. Le modèle MIDAS sans restriction est le plus simple de la classe des modèles et peut être estimé par les moindres carrés ordinaires. Plus de détails et comment implémenter ces modèles en
Rutilisant lemidasrpackage peuvent être trouvés ici: http://mpiktas.github.io/midasr/ . PourMATLAB, reportez-vous à la page de Ghysels: http://www.unc.edu/~eghysels/ .Il s'agit d'une approche de modélisation de l'espace d'état, qui implique de traiter les données à basse fréquence comme contenant des NA et de les remplir à l'aide d'un filtre de Kalman. C'est ma préférence personnelle, mais elle a la difficulté de spécifier le bon modèle d'espace d'état.
Pour un examen plus approfondi des avantages et des inconvénients de ces méthodes, reportez-vous à State Space Models and MIDAS Regressions de Jennie Bai, Eric Ghysels et Jonathan H. Wright (2013).
la source