GLM与自回归期以修正序列相关

Question

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

Answer 1

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。

Answer 2

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。

Answer 3

什么是你的链接功能？

在描述它的方式听起来像与自相关误差的基本线性回归。在这种情况下，一个选择是使用lm让你的系数的一致估计和使用的纽维西HAC标准错误。

我不知道对GLM最好的回答更普遍。