Как мне согласовать линейную модель с автокоррелированными ошибками в R? В stata я бы использовал prais
команду, но я не могу найти эквивалент R ...
19
Как мне согласовать линейную модель с автокоррелированными ошибками в R? В stata я бы использовал prais
команду, но я не могу найти эквивалент R ...
В дополнение к
gls()
функции fromnlme
, вы также можете использоватьarima()
функцию вstats
пакете, используя MLE. Вот пример с обеими функциями.Преимущество функции arima () состоит в том, что вы можете использовать гораздо более широкий спектр процессов ошибок ARMA. Если вы используете функцию auto.arima () из пакета прогноза, вы можете автоматически определить ошибку ARMA:
источник
arima
Опция выглядит более отличной от Stataprais
на первый взгляд, но она более гибкая, и вы также можете использовать ее,tsdiag
чтобы получить хорошее представление о том, насколько хорошо соответствует ваше предположение AR (1).Используйте функцию gls из пакета nlme . Вот пример.
Поскольку модель подбирается с максимальной вероятностью, вам необходимо указать начальные значения. Начальное значение по умолчанию - 0, но, как всегда, лучше попробовать несколько значений, чтобы обеспечить сходимость.
Как отметил д-р Г., вы также можете использовать другие корреляционные структуры, а именно ARMA.
Обратите внимание, что в общем случае оценки методом наименьших квадратов являются согласованными, если ковариационная матрица ошибок регрессии не кратна единичной матрице, поэтому, если вы подгоняете модель к определенной ковариационной структуре, сначала необходимо проверить, является ли она подходящей.
источник
Вы можете использовать прогнозирование на выходе GLS. Видите? Также вы можете указать порядок наблюдения с помощью термина «форма» в структуре корреляции. Например:
corr=corAR1(form=~1)
указывает, что порядок данных - это тот, в котором они находятся в таблице.corr=corAR1(form=~Year)
указывает, что порядок соответствует коэффициенту Year. Наконец, значение «0.5» вcorr=corAR1(0.5,form=~1)?
общем случае устанавливается равным значению параметра, оцениваемого для представления структуры дисперсии (phi, в случае AR, theta в случае MA .. .). Необязательно устанавливать его и использовать для оптимизации, как упоминал Роб Хиндман.источник