Kết hợp nhiều hồi quy tuyến tính trong R: phần dư tự động

Tôi đang cố gắng ước tính hồi quy tuyến tính bội trong R với phương trình như sau:

regr <- lm(rate ~ constant + askings + questions + 0)

câu hỏi và câu hỏi là chuỗi thời gian dữ liệu hàng quý, được xây dựng với askings <- ts(...).

Vấn đề bây giờ là tôi có phần dư tự động. Tôi biết rằng có thể điều chỉnh hồi quy bằng hàm gls, nhưng tôi không biết cách xác định cấu trúc lỗi AR hoặc ARMA chính xác mà tôi phải thực hiện trong hàm gls.

Tôi sẽ cố gắng ước tính lại bây giờ với,

gls(rate ~ constant + askings + questions + 0, correlation=corARMA(p=?,q=?))

nhưng thật không may, tôi không phải là chuyên gia R hay chuyên gia thống kê nói chung để xác định p và q.

Tôi sẽ hài lòng nếu ai đó có thể cho tôi một gợi ý hữu ích. Cảm ơn bạn rất nhiều trước!

Jo

Thử

library(forecast)
fit <- auto.arima(rate, xreg=cbind(askings,questions))

Điều đó sẽ phù hợp với mô hình tuyến tính như sẽ tự động xác định cấu trúc ARMA cho các lỗi. Nó sử dụng MLE chứ không phải GLS, nhưng chúng tương đương với nhau.

Nếu dự đoán là mục đích của bạn, bạn có thể phù hợp với một loạt các mô hình trên các tham số:

expand.grid(p = 1:P, q = 1:Q)

trong đó Pvà Qlà các thuật ngữ AR (p) và MA (q) tối đa bạn muốn đưa vào và chọn mô hình phù hợp nhất theo xác định của BIC.

auto.arima()trong dự báo gói sẽ giúp với điều này, nhưng nó có thể được mã hóa dễ dàng bằng tay expand.grid()và vòng lặp và arima()chức năng đi kèm với R.

Ở trên là phù hợp với phần dư từ a gls()không có correlationcấu trúc.

Bạn cũng có thể làm toàn bộ điều bằng tay trực tiếp với gls()bằng cách chỉ phù hợp rất nhiều mô hình cho sự kết hợp của pvà qvà trong xây dựng AIC()chức năng.

Bạn cũng có thể vẽ ACF ( acf()) và ACF ( ) một phần pacf()của phần dư từ mô hình tuyến tính mà không có cấu trúc tương quan và sử dụng chúng để đề xuất thứ tự của mô hình cần thiết.