Estou tentando estimar uma regressão linear múltipla em R com uma equação como esta:
regr <- lm(rate ~ constant + askings + questions + 0)
perguntas e perguntas são séries temporais de dados trimestrais, construídas com askings <- ts(...)
.
O problema agora é que eu tenho resíduos autocorrelacionados. Eu sei que é possível ajustar a regressão usando a função gls, mas não sei como identificar a estrutura de erro AR ou ARMA correta que eu tenho que implementar na função gls.
Eu tentaria estimar novamente agora com,
gls(rate ~ constant + askings + questions + 0, correlation=corARMA(p=?,q=?))
infelizmente, não sou nem um especialista em R nem um especialista em estatística para identificar peq.
Eu ficaria satisfeito se alguém pudesse me dar uma dica útil. Muito obrigado antecipadamente!
Jo
fonte
Se a previsão é sua finalidade, você pode ajustar uma variedade de modelos sobre os parâmetros:
onde
P
eQ
os termos máximos de AR (p) e MA (q) que você deseja incluir e escolher o modelo de melhor ajuste, conforme determinado pelo BIC.auto.arima()
na previsão de pacotes ajudará nisso, mas pode ser facilmente codificado manualmente usandoexpand.grid()
and loop e aarima()
função que acompanha R.O acima é apropriado nos resíduos de uma estrutura
gls()
semcorrelation
estrutura.Você também pode fazer a coisa toda diretamente manualmente
gls()
, bastando montar muitos modelos para combinações dep
eq
naAIC()
função incorporada .Você também pode plotar o ACF (
acf()
) e o ACF parcial (pacf()
) dos resíduos de um modelo linear sem estrutura de correlação e usá-los para sugerir a ordem do modelo necessário.fonte