Question

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。

Answer 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))))

如何使用MIDASR包在MIDAS模型中使用不规则边缘数据进行预测？

1 个答案: