具有自回归项的GLM用于校正序列相关性

Question

我有一个固定的时间序列,我想要拟合一个带有自回归项的线性模型来校正序列相关性,即使用公式At = c1*Bt + c2*Ct + ut,其中ut = r*ut-1 +等

(ut是AR(1)术语,用于纠正错误术语中的序列相关性)

有谁知道在R中使用什么来模拟这个？

谢谢卡尔

Answer 1

该GLMMarp包将适合这些模型.如果您只想要一个具有高斯误差的线性模型,您可以arima()使用通过xreg参数指定协变量的函数来完成.

Answer 2

R中有多种方法可以执行此操作。这是两个示例，这些示例使用R随附的数据集包中的“安全带”时间序列数据集。

该arima()函数位于R附带的package：stats中。该函数采用以下形式的参数：order=c(p, d, q)您可以在其中指定自回归，积分和移动平均线成分的顺序。在您的问题中，建议您创建一个AR（1）模型来纠正错误中的一阶自相关，仅此而已。我们可以使用以下命令来做到这一点：

arima(Seatbelts[,"drivers"], order=c(1,0,0),
      xreg=Seatbelts[,c("kms", "PetrolPrice", "law")])

order的值指定我们需要一个AR（1）模型。xreg组件应该是我们要作为回归的一部分添加的一系列其他X。输出看起来有点像summary.lm()侧面打开的输出。

拟合回归模型的另一种方法可能是gls()在nlme软件包中使用。以下代码将Seatbelt时间序列对象转换为数据框，然后提取并添加一个新列（t），该列仅是已排序时间序列对象中的计数器：

Seatbelts.df <- data.frame(Seatbelts)
Seatbelts.df$t <- 1:(dim(Seatbelts.df)[1])

上面的两行仅使数据成形。由于该arima()功能是为时间序列设计的，因此它可以更轻松地读取时间序列对象。要使用nlme拟合模型，请运行：

library(nlme)
m <- gls(drivers ~ kms + PetrolPrice + law,
         data=Seatbelts.df,
         correlation=corARMA(p=1, q=0, form=~t))
summary(m)

以“相关”开头的行是将ARMA相关结构传递给GLS的方式。结果将不完全相同，因为默认情况下arima()使用最大似然估计模型并gls()使用受限的最大似然。如果添加method="ML"到呼叫中，gls()您将获得与上述ARIMA函数相同的估计。