Установка изменяющегося во времени коэффициента DLM

9

Я хочу приспособить DLM с изменяющимися во времени коэффициентами, то есть расширением к обычной линейной регрессии,

.YTзнак равноθ1+θ2Икс2

У меня есть предиктор ( ) и переменная отклика ( y t ), ежегодный морской и внутренний вылов рыбы соответственно с 1950 - 2011 гг. Я хочу следовать регрессионной модели DLM,Икс2YT

YTзнак равноθT,1+θT,2ИксT

где уравнение эволюции системы

θTзнак равногTθT-1

со страницы 43 «Динамические линейные модели с R» Petris et al.

Некоторое кодирование здесь,

fishdata <- read.csv("http://dl.dropbox.com/s/4w0utkqdhqribl4/fishdata.csv", header=T)
x <- fishdata$marinefao
    y <- fishdata$inlandfao

lmodel <- lm(y ~ x)
summary(lmodel)
plot(x, y)
abline(lmodel)

Очевидно, что изменяющиеся во времени коэффициенты регрессионной модели здесь более уместны. Я следую его примеру со страниц 121 - 125 и хочу применить это к своим собственным данным. Это кодировка из примера

############ PAGE 123
require(dlm)

capm <- read.table("http://shazam.econ.ubc.ca/intro/P.txt", header=T)
capm.ts <- ts(capm, start = c(1978, 1), frequency = 12)
colnames(capm)
plot(capm.ts)
IBM <- capm.ts[, "IBM"]  - capm.ts[, "RKFREE"]
x <- capm.ts[, "MARKET"] - capm.ts[, "RKFREE"]
x
plot(x)
outLM <- lm(IBM ~ x)
outLM$coef
    acf(outLM$res)
qqnorm(outLM$res)
    sig <- var(outLM$res)
sig

mod <- dlmModReg(x,dV = sig, m0 = c(0, 1.5), C0 = diag(c(1e+07, 1)))
outF <- dlmFilter(IBM, mod)
outF$m
    plot(outF$m)
outF$m[ 1 + length(IBM), ]

########## PAGES 124-125
buildCapm <- function(u){
  dlmModReg(x, dV = exp(u[1]), dW = exp(u[2:3]))
}

outMLE <- dlmMLE(IBM, parm = rep(0,3), buildCapm)
exp(outMLE$par)
    outMLE
    outMLE$value
mod <- buildCapm(outMLE$par)
    outS <- dlmSmooth(IBM, mod)
    plot(dropFirst(outS$s))
outS$s

Я хочу быть в состоянии построить оценки сглаживания plot(dropFirst(outS$s))для моих собственных данных, которые у меня возникают проблемы при выполнении.

ОБНОВИТЬ

Теперь я могу создать эти графики, но я не думаю, что они правильные.

fishdata <- read.csv("http://dl.dropbox.com/s/4w0utkqdhqribl4/fishdata.csv", header=T)
x <- as.numeric(fishdata$marinefao)
    y <- as.numeric(fishdata$inlandfao)
xts <- ts(x, start=c(1950,1), frequency=1)
xts
yts <- ts(y, start=c(1950,1), frequency=1)
yts

lmodel <- lm(yts ~ xts)
#################################################
require(dlm)
    buildCapm <- function(u){
  dlmModReg(xts, dV = exp(u[1]), dW = exp(u[2:3]))
}

outMLE <- dlmMLE(yts, parm = rep(0,3), buildCapm)
exp(outMLE$par)
        outMLE$value
mod <- buildCapm(outMLE$par)
        outS <- dlmSmooth(yts, mod)
        plot(dropFirst(outS$s))

> summary(outS$s); lmodel$coef
       V1              V2       
 Min.   :87.67   Min.   :1.445  
 1st Qu.:87.67   1st Qu.:1.924  
 Median :87.67   Median :3.803  
 Mean   :87.67   Mean   :4.084  
 3rd Qu.:87.67   3rd Qu.:6.244  
 Max.   :87.67   Max.   :7.853  
 (Intercept)          xts 
273858.30308      1.22505 

Оценка сглаживания пересечения (V1) далека от коэффициента регрессии lm. Я предполагаю, что они должны быть ближе друг к другу.

hgeop
источник

Ответы:

2

В чем именно ваша проблема?

Единственная ловушка, которую я обнаружил, заключается в том, что, по-видимому,

fishdata <- read.csv("http://dl.dropbox.com/s/4w0utkqdhqribl4,
                     fishdata.csv", header=T)

читает данные как целые числа Я должен был преобразовать их, чтобы плавать,

x <- as.numeric(fishdata$marinefao)
y <- as.numeric(fishdata$inlandfao)

прежде чем я мог вызвать функции DLM *.

Ф. Туселл
источник
Спасибо за ваши предложения @F. Tusell; Я обновил свой вопрос. Полученные сглаживающие оценки не близки к lmodel$coefоценкам. Я предполагаю, что сюжеты неверны, но я могу ошибаться.
hgeop
1
Нет никаких оснований ожидать, что сглаженные оценки наклона и пересечения будут близки к фиксированным бета-версиям в линейной регрессии. В частности, склон должен сильно колебаться.
Ф. Туселл