Wielowymiarowe modelowanie szeregów czasowych w R
Chcę dopasować jakiś wielowariantowy model szeregów czasowych za pomocą R.
Oto przykład moich danych: u cci bci cpi gdp dum1 dum2 dum3 dx
16.50 14.00 53.00 45.70 80.63 0 0 1 6.39
17.45 16.00 64.00 46.30 80.90 0 0 0 6.00
18.40 12.00 51.00 47.30 82.40 1 0 0 6.57
19.35 7.00 42.00 48.40 83.38 0 1 0 5.84
20.30 9.00 34.00 49.50 84.38 0 0 1 6.36
20.72 10.00 42.00 50.60 85.17 0 0 0 5.78
21.14 6.00 45.00 51.90 85.60 1 0 0 5.16
21.56 9.00 38.00 52.60 86.14 0 1 0 5.62
21.98 2.00 32.00 53.50 86.23 0 0 1 4.94
22.78 8.00 29.00 53.80 86.24 0 0 0 6.25
Dane są kwartalne, zmienne obojętne są dla sezonowości.
To, co chciałbym zrobić, to przewidzieć dx w odniesieniu do niektórych z innych, jednocześnie (być może) pozwalając na sezonowość. Dla dobra argumentacji, powiedzmy, że chcę użyć "u", " cci " i "PKB".
Jak miałbym to zrobić?3 answers
Jeśli jeszcze tego nie zrobiłeś, spójrz na widok szeregów czasowych na CRAN, szczególnie sekcję dotyczącą wielowymiarowych szeregów czasowych.
[[0]}w finansach tradycyjnym sposobem na to jest model factor, często z modelem typu BARRA lub Fama-French. Eric Zivot "Modelowanie finansowych szeregów czasowych za pomocą S-PLUS" daje dobry przegląd tych tematów, ale nie można go od razu przenieść do "analizy finansowych szeregów czasowych" R. Ruey Tsay]}" (dostępne w pakiecie TSA na CRAN) ma również miłe omówienie modeli czynników i analizy głównych składników w rozdziale 9.R posiada również szereg pakietów, które obejmują modele wektorowe autoregresji (VAR) . W szczególności polecam przyjrzeć się pakietowi var Modeling (Vars) Bernharda Pfaffa i powiązanej winiecie .
Zdecydowanie polecam zajrzeć Ruey Tsay ' s homepage ponieważ obejmuje wszystkie te tematy, a dostarcza niezbędny kod R. W szczególności spójrz na "zastosowaną analizę wielowymiarową", "Analiza finansowych szeregów czasowych" i "analiza wielowymiarowych szeregów czasowych" .
Jest to bardzo duży temat i jest wiele dobrych książek, które go obejmują, w tym zarówno wielowymiarowe serie czasowe, jak i sezonowość. Oto jeszcze kilka:
-
Kleiber i Zeileis. "Ekonometria stosowana z R " nie odnosi się do tego konkretnie, ale bardzo dobrze obejmuje ogólny temat (patrz także pakiet AER na CRAN).
Shumway i Stoffer. "Analiza szeregów czasowych i jej zastosowania: z przykładami R " zawiera przykłady wielowymiarowych modeli ARIMA.
Cryer. "Analiza szeregów czasowych: z aplikacjami w R " jest klasykiem na ten temat, zaktualizowanym o kod R.
Warning: date(): Invalid date.timezone value 'Europe/Kyiv', we selected the timezone 'UTC' for now. in /var/www/agent_stack/data/www/doraprojects.net/template/agent.layouts/content.php on line 54
2009-11-11 18:02:03
W pakiecie prognozy spróbuj:
arima(df[,1:4], order=(0,0,0), xreg=df[,6:8])
Do prognozowania u
, cci
i gdp
.
Aby przewidzieć dx
na podstawie tego, wypróbuj model VAR. Oto dobry tutorial (PDF).
Warning: date(): Invalid date.timezone value 'Europe/Kyiv', we selected the timezone 'UTC' for now. in /var/www/agent_stack/data/www/doraprojects.net/template/agent.layouts/content.php on line 54
2016-04-12 15:41:49
Nie wiem, czy ta funkcjonalność była dostępna, gdy zadałeś to pytanie po raz pierwszy, ale jest ona łatwo dostępna w base R teraz z funkcją arima; po prostu określ zewnętrzne regresory argumentem xreg w funkcji. Spróbuj ?arima
i podczas czytania dokumentacji zwróć szczególną uwagę na argument xreg. To było bardzo proste, powodzenia.
Warning: date(): Invalid date.timezone value 'Europe/Kyiv', we selected the timezone 'UTC' for now. in /var/www/agent_stack/data/www/doraprojects.net/template/agent.layouts/content.php on line 54
2016-04-12 15:42:31