Hồi quy với tần số khác nhau

Tôi đang cố gắng chạy hồi quy đơn giản nhưng các biến Y của tôi được quan sát trên tần số hàng tháng và các biến x được quan sát trên tần số hàng năm. Tôi sẽ thực sự đánh giá cao một số hướng dẫn về một cách tiếp cận phù hợp có thể được sử dụng cho hồi quy với các tần số khác nhau.

Cảm ơn rât nhiều

Ba khả năng theo sau. Tùy thuộc vào tình huống, bất kỳ ai có thể phù hợp.

1. Tổng hợp thời gian hoặc tổng hợp.

Đây có lẽ là cách tiếp cận đơn giản nhất trong đó bạn chuyển đổi dữ liệu tần số cao (hàng tháng) thành dữ liệu hàng năm bằng cách, tính tổng, trung bình hoặc kết thúc các giá trị thời gian. Tất nhiên, dữ liệu tần số thấp (hàng năm) có thể được chuyển đổi thành dữ liệu hàng tháng bằng cách sử dụng một số kỹ thuật nội suy; ví dụ, sử dụng thủ tục Chow-Lin. Có thể hữu ích khi tham khảo tempdisagggói cho việc này: http://cran.r-project.org/web/packages/tempdisagg/index.html .

2. Mi (xed) da (ta) s (lấy mẫu) (MIDAS).

Hồi quy Midas, phổ biến bởi Eric Ghysels, là một lựa chọn thứ hai. Có hai ý chính ở đây. Đầu tiên là căn chỉnh tần số. Thứ hai là giải quyết lời nguyền của chiều bằng cách chỉ định một đa thức thích hợp. Mô hình MIDAS không giới hạn là đơn giản nhất trong nhóm các mô hình và có thể được ước tính bằng bình phương tối thiểu thông thường. Thông tin chi tiết và cách triển khai các mô hình này trong Rviệc sử dụng midasrgói có thể được tìm thấy ở đây: http://mpiktas.github.io/midasr/ . Để biết MATLAB, hãy tham khảo trang của Ghysels: http://www.unc.edu/~eghysels/ .

3. Phương pháp lọc Kalman.

Đây là một phương pháp mô hình hóa không gian nhà nước, bao gồm việc xử lý dữ liệu tần số thấp có chứa NA và điền chúng vào bộ lọc Kalman. Đây là sở thích cá nhân của tôi, nhưng nó có khó khăn trong việc chỉ định mô hình không gian trạng thái chính xác.

Để có cái nhìn sâu hơn về những ưu và nhược điểm của các phương pháp này, hãy tham khảo Mô hình không gian nhà nước và các quy định của MIDAS của Jennie Bai, Eric Ghysels và Jonathan H. Wright (2013).