GLM与自回归期以修正序列相关
-
19-09-2019 - |
题
我有一个固定的时间序列,而我想要配合的线性模型与一个自回归期以修正序列相关的,即使用公式在=c1*Bt+c2*Ct+ut,其中ut=r*ut-1+等
(ut AR(1)期,以纠正序列相关的错误的条款)
任何人都不会知道什么使用在研发的模型这个吗?
感谢 卡尔
解决方案
在 GLMMarp 包将适合这些模型。如果你只是想用高斯误差的线性模型,你可以在协变量通过arima()
参数指定的xreg
功能做到这一点。
其他提示
有几种方法可以做到这一点,在R.这里有两个例子使用 "安全带"时间序列数据集的数据集包 与R.
的 arima()
功能来在包装:统计,包括与R.功能需要一个参数的形式 order=c(p, d, q)
在这里你可以指定了自动倒退、集成和移动平均成分。在你问题,你建议你想要建立一个AR(1)模型,以纠正第一阶自相关的错误就是这样。我们可以做到这一点与以下命令:
arima(Seatbelts[,"drivers"], order=c(1,0,0),
xreg=Seatbelts[,c("kms", "PetrolPrice", "law")])
值以指定我们想要一个AR(1)模型。该xreg compontent应该是一系列其他Xs我们要添加作为一部分的回归。输出看起来有点喜欢的输出 summary.lm()
转身在其一侧。
另一个替代过程中可能更熟悉你们适应回归模型,是使用 gls()
在 nlme包.以下代码的安全带的时间系列的对象入一个数据框然后提取,并增加了一个新的栏(t),这只是一个计数器在整时间序列目的:
Seatbelts.df <- data.frame(Seatbelts)
Seatbelts.df$t <- 1:(dim(Seatbelts.df)[1])
两条线上只是获取数据的形状。由于 arima()
功能设计用于时间系列,它可以阅读的时间系列的对象更加容易。适合的模型与nlme你然后会运行:
library(nlme)
m <- gls(drivers ~ kms + PetrolPrice + law,
data=Seatbelts.df,
correlation=corARMA(p=1, q=0, form=~t))
summary(m)
行开始于"相关性"是你的方式通过在武器相关的结构来传讯.结果不是完全一样的因为 arima()
使用最大可能性的估计和模型 gls()
使用限制的可能性最大的默认。如果你加入 method="ML"
到呼叫 gls()
你会得到相同的估计你得到了与有马功能上。