Seguem três possibilidades. Dependendo da situação, qualquer um pode ser adequado.
- 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 tempdisagg
pacote para isso: http://cran.r-project.org/web/packages/tempdisagg/index.html .
- 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 R
uso do midasr
pacote podem ser encontrados aqui: http://mpiktas.github.io/midasr/ . Para MATLAB
, consulte a página de Ghysels: http://www.unc.edu/~eghysels/ .
- 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).