Adattamento della regressione lineare multipla in R: residui autocorrelati

Sto cercando di stimare una regressione lineare multipla in R con un'equazione come questa:

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

le domande e le domande sono serie temporali di dati trimestrali, costruite con askings <- ts(...).

Il problema ora è che ho dei residui autocorrelati. So che è possibile adattare la regressione usando la funzione gls, ma non so come identificare la corretta struttura di errore AR o ARMA che devo implementare nella funzione gls.

Proverei di nuovo a stimare ora con,

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

ma sfortunatamente non sono né un esperto R né un esperto statistico in generale per identificare p e q.

Mi farebbe piacere se qualcuno potesse darmi un suggerimento utile. Grazie mille in anticipo!

Jo

Provare

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

Ciò si adatterà al modello lineare così come identificherà automaticamente una struttura ARMA per gli errori. Utilizza MLE anziché GLS, ma sono asintoticamente equivalenti.

Se la previsione è il tuo scopo, potresti adattare una serie di modelli ai parametri:

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

dove Pe Qsono i termini AR (p) e MA (q) massimi che si desidera includere e scegliere il modello di adattamento migliore determinato da BIC.

auto.arima()nella previsione del pacchetto sarà di aiuto, ma può essere facilmente codificato manualmente usando expand.grid()e loop e la arima()funzione fornita con R.

Quanto sopra si adatta ai residui da una gls()senza correlationstruttura.

Si potrebbe anche fare il tutto a mano direttamente con gls()semplicemente raccordo sacco di modelli per le combinazioni di pe qed il built in AIC()funzione.

È inoltre possibile tracciare l'ACF ( acf()) e l'ACF parziale ( pacf()) dei residui da un modello lineare senza struttura di correlazione e utilizzarli per suggerire l'ordine del modello richiesto.