tiempo - superponer graficas en r

Modelo de series de tiempo multivariante en R

Question

Quiero encajar en algún tipo de modelo de serie de tiempo multi-variable usando R.

Aquí hay una muestra de mis datos:

   u     cci     bci     cpi     gdp    dum1 dum2 dum3    dx  
 16.50   14.00   53.00   45.70   80.63  0   0    1     6.39 
 17.45   16.00   64.00   46.30   80.90  0   0    0     6.00 
 18.40   12.00   51.00   47.30   82.40  1   0    0     6.57 
 19.35   7.00    42.00   48.40   83.38  0   1    0     5.84 
 20.30   9.00    34.00   49.50   84.38  0   0    1     6.36 
 20.72   10.00   42.00   50.60   85.17  0   0    0     5.78 
 21.14   6.00    45.00   51.90   85.60  1   0    0     5.16 
 21.56   9.00    38.00   52.60   86.14  0   1    0     5.62 
 21.98   2.00    32.00   53.50   86.23  0   0    1     4.94 
 22.78   8.00    29.00   53.80   86.24  0   0    0     6.25 

Los datos son trimestrales, las variables ficticias son para la estacionalidad.

Lo que me gustaría hacer es predecir dx con referencia a algunos de los otros, mientras (posiblemente) permitiendo la estacionalidad. Por razones de argumento, digamos que quiero usar "u", "cci" y "gdp".

¿Cómo voy a hacer esto?

Answer 1

En el paquete de pronóstico, intente:

arima(df[,1:4], order=(0,0,0), xreg=df[,6:8])

para pronosticar u , cci y gdp .

Para predecir dx partir de eso, pruebe el modelo VAR. Aquí hay un buen tutorial ( PDF ).

Answer 2

No sé si esta funcionalidad estaba disponible cuando hizo esta pregunta por primera vez, pero esto está fácilmente disponible en la base R ahora con la función arima; simplemente especifique sus regresores externos con el argumento xreg dentro de la función. Pruebe ?arima y cuando lea la documentación, preste especial atención al argumento xreg. Esto se ha hecho muy fácil, buena suerte.

Answer 3

Si aún no lo ha hecho, eche un vistazo a la vista de series de tiempo sobre CRAN , especialmente la sección de series de tiempo multivariables.

En finanzas, una forma tradicional de hacerlo es con un modelo de factores, frecuentemente con un modelo tipo BARRA o Fama-francés. "Modelado de la serie de tiempo financiera con S-PLUS" de Eric Zivot ofrece una buena visión general de estos temas, pero no es transferible de inmediato al " Análisis de la serie temporal financiera " de R. Ruey Tsay (disponible en el paquete TSA de CRAN). una buena discusión de los modelos de factores y el análisis de componentes principales en el capítulo 9.

R también tiene una serie de paquetes que cubren modelos de autorregresión vectorial (VAR) . En particular, recomendaría consultar el paquete VAR Modeling (vars) de Bernhard Pfaff y la viñeta relacionada .

Recomiendo mirar la página principal de Ruey Tsay porque cubre todos estos temas y proporciona el código R necesario. En particular, consulte los "Análisis multivariados aplicados" , los "Análisis de series de tiempo financieras" y los "Análisis de series temporales multivariables" .

Este es un tema muy extenso y hay muchos buenos libros que lo cubren, incluyendo la transmisión de series de tiempo multivariadas y la estacionalidad. Aquí hay algunos más:

1. Kleiber y Zeileis. La " Econometría Aplicada con R " no aborda esto específicamente, pero cubre muy bien el tema general (ver también el paquete AER en CRAN).
2. Shumway y Stoffer. El " Análisis de series temporales y sus aplicaciones: con ejemplos R " tiene ejemplos de modelos ARIMA multivariados.
3. Cryer. " Análisis de series de tiempo: con aplicaciones en R " es un clásico sobre el tema, actualizado para incluir el código R.