Tôi đang sử dụng mô hình độ trễ phân tán để phân tích dữ liệu chuỗi thời gian. Thời gian nghiên cứu là 18 năm và quan sát là dữ liệu hàng năm. Khi bao gồm hiệu ứng trễ 1 năm, năm đầu tiên của biến lag sẽ bị thiếu. Sau đó, hiệu ứng trễ 2 năm làm cho hai dữ liệu đầu tiên của biến lag bị mất, v.v.
Tôi sẽ phân tích năm hiệu ứng trễ trong nghiên cứu của mình, nhưng năm biến lag gây ra 5 dữ liệu bị thiếu. Tôi cho rằng việc cắt bỏ nhiều lần có thể giúp tôi khắc phục việc mất thông tin trong các biến độ trễ này, nhưng kết quả của việc cắt bỏ là không hợp lý.
Có ý tưởng nào tốt hơn để áp đặt dữ liệu bị thiếu trong các biến lag không?
bạn đang triển khai chương trình độ trễ phân tán cụ thể nào (Almond hoặc Koyck hoặc một số thứ khác)? Tôi luôn nghĩ rằng nó là như vậy, bao gồm độ trễ có nghĩa là mất thông tin, cả bởi các tham số bổ sung để ước tính và giảm mức độ tự do. Vâng, bạn có thể dự báo ngược các giá trị (bằng cách làm mịn theo cấp số nhân hoặc tương tự), nhưng cá nhân tôi sẽ không làm như vậy.
—
Dmitrij Celov
Tại sao bạn thử nghiệm các hiệu ứng lag khác nhau? Tại sao bạn không thử XÁC NHẬN mô hình bằng Chức năng Tương quan chéo? Quá trình Box-Jenkins là Xác định, Ước tính và Dự báo.
—
Tom Reilly