Ajuste de regresión lineal múltiple en R: autocorrelated residuos

Question

Estoy tratando de estimar una regresión lineal múltiple en R con una ecuación como esta:

regr <- lm(rate ~ constant + askings + questions + 0)

askings y las preguntas son trimestral de los datos de series de tiempo, construido con askings <- ts(...).

El problema ahora es que tengo autocorrelated residuos. Sé que es posible el ajuste de la regresión utilizando el gls función, pero no sé cómo identificar la correcta AR o ARMA estructura del error que tengo que implementar en el gls función.

Me gustaría tratar de estimar de nuevo ahora con,

gls(rate ~ constant + askings + questions + 0, correlation=corARMA(p=?,q=?))

pero estoy desafortunadamente, ni un R experto ni un experto en estadística, en general, para identificar a p y q.

Me gustaría Si alguien me podría dar una sugerencia útil. Muchas gracias de antemano!

Jo

Answer 1

Trate de

library(forecast)
fit <- auto.arima(rate, xreg=cbind(askings,questions))

Que se ajuste al modelo lineal así como de identificar automáticamente un ARMA de la estructura de los errores. Utiliza el MLE en lugar de GLS, pero son asintóticamente equivalentes.

Answer 2

Si la predicción es un propósito, puede adaptarse a una variedad de modelos de los parámetros:

expand.grid(p = 1:P, q = 1:Q)

donde P y Q son de la máxima AR(p) y MA(q) los términos que desea incluir y elegir el mejor modelo de ajuste según lo determinado por BIC.

auto.arima() en paquete de previsión va a ayudar con esto, pero se puede codificar fácilmente con la mano, usando expand.grid() y bucle y el arima() función que viene con R.

El de arriba es el accesorio en los residuos de una gls() sin correlation estructura.

También se podría hacer todo con la mano directamente con gls() por simplemente colocándolos en un montón de modelos para las combinaciones de p y q y el construido AIC() función.

Usted también podría parcela de la ACF (acf()) y parcial de la ACF (pacf()) de los residuos de un modelo lineal sin una correlación de la estructura y el uso de ellos para sugerir el orden del modelo requerido.