And*_*dko 5 modeling r forecasting
我正在尝试使用另一个时间序列 (X) 作为预测器来预测时间序列数据 (Y)。X 和 Y 是协整的。Y 是 2012 年 1 月到 2016 年 10 月的月度数据，X 是 2012 年 1 月到 2017 年 2 月的数据。
所以，我运行了视频中显示的 VECM：https : //www.youtube.com/watch?v=x9DcUA9puY0
然后，为了获得预测值，我通过vec2var命令将其转换为 VAR ，遵循本主题中的信息：https : //stats.stackexchange.com/questions/223888/how-to-forecast-from-vecm-in-r
但是我无法用已知的 X 预测 Y，如何使用predict带有线性回归模型的函数来预测 Y。另外，我无法获得建模的 Y (Y hat) 值。
这是我的代码：
# Cointegrated_series is a ZOO object, which contains two time series X and Y
library("zoo")
library("xts")
library("urca")
library("vars")
# Obtain lag length
Lagl <- VARselect(Cointegrated_series)$selection[[1]]
#Conduct Eigen test
cointest <- ca.jo(Cointegrated_series,K=Lagl,type = "eigen", ecdet = "const",
spec = "transitory")
#Fit VECM
vecm <- cajorls(cointest)
#Transform VECM to VAR
var <- vec2var(cointest)
比我试图以predict不同的方式使用函数：predict(var), predict(var, newdata = 50), predict(var, newdata = 1000)- 结果是一样的。
尝试在方法中使用tsDyn包和newdata参数predict，正如这里提到的：https : //stats.stackexchange.com/questions/261849/prediction-from-vecm-in-r-using-external-forecasts-of-regressors?rq= 1
不工作。我的 newdata 是一个 ZOO 对象，其中 X 系列的值从 2016 年 11 月到 2017 年 2 月，Y 系列是 NA。因此，该方法在预测中返回 NA：
# Cointegrated_series is a ZOO object, which contains
#two time series X and Y from Jan 2012 to Oct 2016. Both X and Y are values.
# newDat is a ZOO object, which contains two time series
#X and Y from Nov 2016 to Feb 2017. X are values, Y are NAs.
library(tsDyn)
vecm <-VECM(Cointegrated_series, lag=2)
predict(vecm,newdata = newDat, n.ahead=5)
这是一个结果：
Y X
59 NA NA
60 NA NA
61 NA NA
62 NA NA
63 NA NA
例如，这是我打完电话后得到predict内部消除newdata参数：
predict(vecm, n.ahead=5)
Y X
59 65.05233 64.78006
60 70.54545 73.87368
61 75.65266 72.06513
62 74.76065 62.97242
63 70.03992 55.81045
所以，我的主要问题是：
除此之外，我也找不到这些问题的答案：
如何在 R 中调用 VECM 的 Akaike 标准（AIC）？
vars 和 urca 包是否提供 VECM 的 F 和 t 统计数据？
UPD 10.04.2017 我稍微编辑了这个问题。请注意，我的问题适用于“边缘参差不齐”的问题，将其称为“预测”是不正确的 - 它是“临近预报”。
UPD 11.04.2017
谢谢你的回答！
这是完整的代码：
library("lubridate")
library("zoo")
library("xts")
library("urca")
library("vars")
library("forecast")
Dat <- dget(file = "https://getfile.dokpub.com/yandex/get/https://yadi.sk/d/VJpQ75Rz3GsDKN")
NewDat <- dget(file = "https://getfile.dokpub.com/yandex/get/https://yadi.sk/d/T7qxxPUq3GsDLc")
Lagl <- VARselect(Dat)$selection[[1]]
#vars package
cointest_e <- ca.jo(Dat,K=Lagl,type = "eigen", ecdet = "const",
spec = "transitory")
vecm <- cajorls(cointest_e)
var <- vec2var(cointest_e)
Predict1 <- predict(var)
Predict2 <- predict(var, newdata = NewDat)
Predict1$fcst$Y
Predict2$fcst$Y
Predict1$fcst$Y == Predict2$fcst$Y
Predict1$fcst$X == Predict2$fcst$X
#As we see, Predict1 and Predict2 are similar, so the information in NewDat
#didn't came into account.
library("tsDyn")
vecm2 <-VECM(Dat, lag=3)
predict(vecm2)
predict(vecm2, newdata=NewDat)
如果dget返回错误，请在此处下载我的数据：
https://yadi.sk/d/VJpQ75Rz3GsDKN - 用于数据
https://yadi.sk/d/T7qxxPUq3GsDLc - 用于 NewDat
关于临近预报
说临近预报，我的意思是用当前可用数据对不可用数据进行当月或上月预测。以下是一些参考：
Ginonne, Reichlin, Small：临近预报：宏观经济数据的实时信息内容 (2008)
Now-Casting 和实时数据流 (2013)
Marcellino, Schumacher：使用边缘数据进行临近预报和预测的因子 MIDAS：德国 GDP 的模型比较（2010 年）
我觉得你的问题更多的是关于如何对协整变量进行即时预测，然后让我们稍后看看如何在 R 中实现它。
一般来说，根据格兰杰表示定理，协整变量可以用多种形式表示：
长期关系：y 和 x 的同期值
VECM 表示：y 和 x 的（差异）由滞后（差异）和上一周期的误差校正项解释。
所以我不确定您将如何在 VECM 表示中进行即时预测，因为它只包含过去的值？我可以看到两种可能性：
根据长期关系进行即时预测。因此，您只需运行标准 OLS，然后从那里进行预测。
基于结构 VECM 进行即时预测，您可以在其中添加已知变量 (X) 的同期值。在 R 中，您将执行此包urca，但需要检查该predict函数是否允许您添加已知的 X 值。
关于长期关系方法，有趣的是，您可以根据 VECM（不知道 X）和从已知 X 的 LT 获得 X 和 Y 的预测。这为您提供了一种了解准确性的方法您的模型（比较已知的 X 和预测的 X），您可以使用它来为您的 Y 创建预测平均方案？