Regressione con frequenza diversa

Sto cercando di eseguire una semplice regressione, ma le mie variabili Y vengono osservate su una frequenza mensile e le variabili x vengono osservate su una frequenza annuale. Apprezzerò davvero alcune indicazioni su un approccio adeguato che può essere utilizzato per regressioni con frequenze diverse.

Grazie mille

Seguono tre possibilità. A seconda della situazione, chiunque potrebbe essere adatto.

1. Aggregazione o disaggregazione del tempo.

Questo è forse l'approccio più semplice in cui converti i dati ad alta frequenza (mensili) in dati annuali, ad esempio, prendendo somme, medie o valori di fine periodo. I dati (annuali) a bassa frequenza potrebbero, ovviamente, essere convertiti in dati mensili usando una tecnica di interpolazione; ad esempio, usando la procedura Chow-Lin. Potrebbe essere utile fare riferimento al tempdisaggpacchetto per questo: http://cran.r-project.org/web/packages/tempdisagg/index.html .

2. Mi (xed) da (ta) s (ampling) (MIDAS).

Le regressioni di Mida, rese popolari da Eric Ghysels, sono una seconda opzione. Ci sono due idee principali qui. Il primo è l'allineamento di frequenza. Il secondo è affrontare la maledizione della dimensionalità specificando un polinomio appropriato. Il modello MIDAS senza restrizioni è il più semplice all'interno della classe di modelli e può essere stimato con minimi quadrati ordinari. Ulteriori dettagli e come implementare questi modelli Rnell'uso del midasrpacchetto sono disponibili qui: http://mpiktas.github.io/midasr/ . Per MATLAB, fare riferimento alla pagina di Ghysels: http://www.unc.edu/~eghysels/ .

3. Metodi di filtro di Kalman.

Questo è un approccio alla modellazione dello spazio degli stati, che prevede il trattamento dei dati a bassa frequenza come contenenti NA e la loro compilazione utilizzando un filtro Kalman. Questa è la mia preferenza personale, ma ha la difficoltà di specificare il modello corretto di spazio-stato.

Per uno sguardo più approfondito ai pro e ai contro di questi metodi, consultare State Space Models e MIDAS Regressions di Jennie Bai, Eric Ghysels e Jonathan H. Wright (2013).