我正在尝试使用带有midasr
包的月变量生成季度变量的一步提前预测。我遇到的麻烦是,当样本中的月度观察数量恰好是季度观测数量的3倍时,我只能估计MIDAS
模型。
我的问题是,如果每月观察的数量不是季度观察的精确倍数,我怎么能在midasr
包中预测(例如,当我有一个新的月度数据点,我想用来更新时)预测)?
例如,假设我运行以下代码,以便在每季度(n)
季度观察和(3*n)
月度观察时生成一步预测:
#first I create the quarterly and monthly variables
n <- 20
qrt <- rnorm(n)
mth <- rnorm(3*n)
#I convert the data to time series format
qrt <- ts(qrt, start = c(2009, 1), frequency = 4)
mth <- ts(mth, start = c(2009, 1), frequency = 12)
#now I estimate the midas model and generate a 1-step ahead forecast
library(midasr)
reg <- midas_r(qrt ~ mls(qrt, 1, 1) + mls(mth, 3:6, m = 3, nealmon), start = list(mth = c(1, 1, -1)))
forecast(reg, newdata = list(qrt = c(NA), mth =c(NA, NA, NA)))
此代码工作正常。现在假设我想要包含一个新的月度数据点,以便新的月度数据为:
nmth <- rnorm(3*n +1)
我尝试运行以下代码来估算新模型:
reg <- midas_r(qrt ~ mls(qrt, 1, 1) + mls(nmth, 2:7, m = 3, nealmon), start = list(mth = c(1, 1, -1))) #I now use 2 lags instead 3 with the new monthly data
但是我收到一条错误消息:'Error in mls(nmth, 2:7, m = 3, nealmon) : Incomplete high frequency data'
我无法在网上找到有关如何处理此问题的任何内容。非常感谢任何帮助。
答案 0 :(得分:1)
前一段时间I had to do有类似问题。如果我没记错的话,首先需要使用延迟减少的旧数据集估算模型,因此使用3:6
滞后时应使用2:6
滞后:
reg <- midas_r(qrt ~ mls(qrt, 1, 1) + mls(mth, 2:6, m = 3, nealmon), start = list(mth = c(1, 1, -1)))
然后假设您观察到更高频率数据的新值 - new_value
new_value <- rnorm(1)
然后您可以使用这个新观察到的值来预测较低频率值,如下所示:
forecast(reg, newdata = list(mth = c(new_value, rep(NA, 2))))