Regressão com frequência diferente


10

Estou tentando executar uma regressão simples, mas minhas variáveis ​​Y são observadas em uma frequência mensal e variáveis ​​x são observadas em uma frequência anual. Eu realmente aprecio algumas orientações sobre uma abordagem adequada que pode ser usada para regressões com diferentes frequências.

Muito obrigado


Se você concebe o relacionamento como causal, pode valer a pena ponderar como, exatamente, você vê o X levando ao Y - muitas vezes tornará uma estratégia potencial mais clara. Como sua coisa anual leva a um resultado mensal? X é um proxy para outra coisa ou Y realmente depende do X anual?
Glen_b -Reinstate Monica

Respostas:


6

Seguem três possibilidades. Dependendo da situação, qualquer um pode ser adequado.

  1. Agregação ou desagregação de tempo.

Essa talvez seja a abordagem mais simples na qual você converte os dados de alta frequência (mensalmente) em dados anuais, digitando, somando, médias ou valores de final de período. Os dados (anuais) de baixa frequência podem, é claro, ser convertidos em dados mensais usando alguma técnica de interpolação; por exemplo, usando o procedimento Chow-Lin. Pode ser útil consultar o tempdisaggpacote para isso: http://cran.r-project.org/web/packages/tempdisagg/index.html .

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

As regressões de Midas, popularizadas por Eric Ghysels, são uma segunda opção. Existem duas idéias principais aqui. O primeiro é o alinhamento de frequência. O segundo é enfrentar a maldição da dimensionalidade especificando um polinômio apropriado. O modelo MIDAS irrestrito é o mais simples da classe de modelos e pode ser estimado por mínimos quadrados comuns. Mais detalhes e como implementar esses modelos no Ruso do midasrpacote podem ser encontrados aqui: http://mpiktas.github.io/midasr/ . Para MATLAB, consulte a página de Ghysels: http://www.unc.edu/~eghysels/ .

  1. Métodos de filtro Kalman.

Essa é uma abordagem de modelagem no espaço de estados, que envolve tratar os dados de baixa frequência como contendo NAs e preenchê-los usando um filtro Kalman. Essa é minha preferência pessoal, mas ela tem a dificuldade de especificar o modelo de espaço de estado correto.

Para uma visão mais aprofundada dos prós e contras desses métodos, consulte Modelos de Espaço de Estado e Regressões MIDAS de Jennie Bai, Eric Ghysels e Jonathan H. Wright (2013).


Há alguns implementação Midas em python também: github.com/mikemull/midaspy
Rafael Valero
Ao utilizar nosso site, você reconhece que leu e compreendeu nossa Política de Cookies e nossa Política de Privacidade.
Licensed under cc by-sa 3.0 with attribution required.