Question

我试图评估两个变量之间关系的变化。我使用动物园包创建了一个46年的不规则时间序列对象。我的数据是零膨胀的比例，取值为0和1.这是数据：

edf
   Year     World        Ego
1  1760 1.0000000 0.00000000
2  1761 0.3055556 0.00000000
3  1762 0.3950617 0.11814413
4  1764 0.8677686 0.26984127
5  1766 0.0000000 0.00000000
6  1767 0.8580606 0.15407986
7  1769 0.7500000 0.00000000
8  1771 0.7416174 0.37698413
9  1772 0.6611570 0.53587372
10 1777 0.4375000 0.20000000
11 1778 0.9629630 0.36111111
12 1779 0.7229630 0.05291005
13 1781 0.0000000 0.00000000
14 1782 0.0000000 0.00000000
15 1783 0.7500000 0.00000000
16 1784 0.7966605 0.21893984
17 1785 0.8518519 0.12500000
18 1786 0.0000000 0.00000000
19 1787 0.2279036 0.00000000
20 1788 0.7425926 0.08585859
21 1789 0.4648760 0.17942337
22 1790 0.8888889 0.00000000
23 1791 0.7958546 0.35023819
24 1792 0.0000000 0.00000000
25 1794 0.8021333 0.65529337
26 1795 0.0000000 0.00000000
27 1800 0.9900000 0.10825397
28 1802 0.7866667 0.07500000
29 1803 0.0000000 0.00000000
30 1804 0.0000000 0.00000000
31 1805 0.7416026 0.34158521
32 1806 0.9420000 0.47337963
33 1810 0.7500000 0.00000000
34 1812 0.8397279 0.53089503
35 1818 0.4863946 0.31103450
36 1819 0.8636475 0.20591162
37 1820 0.8888889 0.00000000
38 1821 0.7197232 0.60557261
39 1822 0.7308806 0.27126586
40 1823 0.6113805 0.26487719
41 1824 0.6400000 0.00000000
42 1826 0.9086405 0.13932918
43 1827 0.7447051 0.16207173
44 1828 0.9183673 0.40000000
45 1830 0.9843750 0.50000000
46 1831 0.7053061 0.55736111

我使用beta回归，但使用手册中的建议转换因变量值：

y.transf.betareg <- function(y){
  n.obs <- sum(!is.na(y))
  (y * (n.obs - 1) + 0.5) / n.obs
}

然后使用rollapply计算移动回归。这是我的代码：

library(zoo)
library(betareg)
brol<-as.zoo(edf)
index1 <- rollapply(data = brol,  
                          width = 5,  
                          function(brr)  coef(betareg(y.transf.betareg(brr[3])~brr[2],
                                            data=as.data.frame(brr),
                                            na.action = na.omit
                                    ),
                      by.column = F,
                      align="right"))

但是我收到了这个错误：

Error in optim(par = start, fn = loglikfun, gr = gradfun, method = method,  : 
  non-finite value supplied by optim

当我尝试使用带有betareg的线性样条回归时，我得到了同样的错误。

我编写的代码与我尝试的其他模型一起使用，例如带有logit链接或GAMLSS的二项式GLM，但没有使用betareg。

从一些研究来看，似乎每个传递给该功能的数据可能都不是满级，但我不知道如何处理这个问题。任何人都可以建议吗？很多，非常感谢提前。

Answer 1

免责声明：我有几条评论 - 不仅仅是一个答案 - 但由于我想展示代码和输出并需要更多空间，我会以答案的形式来做。

首先，在y.transf.betareg中，您希望使用betareg小插图中建议的转换。作为“观察次数”，您使用46，即数据中的时间点数。但是，对于修正项，应使用计算比例的观测数（如果适用）。例如，在1761年，变量World为0.3055556，可能来自大约11/36。如果是这种情况，则36应该是观察数量。

其次，你拟合的β回归模型有三个参数（截距，斜率，精度），因此使用四个观测值的滚动窗口非常 - 比方说 - 乐观。我无法想象在你的应用程序中，这不仅仅是随机噪音。

因此，我建议首先找到一个您希望保留的模型大致为您的数据。鉴于左检查为零，一个自然候选人似乎是一个简单的托运模型。数据和轨道回归线的散点图是：

最后包含复制代码。总体而言，该模型似乎与斜率估计值相当吻合：

           Estimate Std. Error  z value  Pr(>|z|)    
(Intercept) -0.27869    0.12527  -2.2247 0.0261034 *  
World        0.61259    0.16398   3.7358 0.0001871 ***
Log(scale)  -1.40915    0.14001 -10.0645 < 2.2e-16 ***
---
Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

然后，您似乎有兴趣评估参数在采样周期内是否稳定。但是，由于样本量有限，因此在每个子样本上重新估计模型将导致大量随机波动。相反，人们可以根据整个样本估算出模型分数（如果你愿意的那种残差类型）的滚动总和。如果任何参数存在系统性变化，您将在滚动总和的系统变化中看到它们。这种类型的测试在结构变化文献中也称为基于分数的MOSUM（移动和）测试。下面我展示了带有15％带宽（即7个观测值）的MOSUM测试的可视化及其5％的临界值。相应的p值为49.6％，因此显然不显着。该图显示没有系统偏离零。

因此，对于这个中等大小的样本，人们无法检测出与上述参数拟合的单个模型的显着偏差。（带宽增加或减少的MOSUM测试导致相同的结果。）

复制代码：

数据

library("zoo")
edf <- read.zoo(textConnection("   Year     World        Ego
1  1760 1.0000000 0.00000000
2  1761 0.3055556 0.00000000
3  1762 0.3950617 0.11814413
4  1764 0.8677686 0.26984127
5  1766 0.0000000 0.00000000
6  1767 0.8580606 0.15407986
7  1769 0.7500000 0.00000000
8  1771 0.7416174 0.37698413
9  1772 0.6611570 0.53587372
10 1777 0.4375000 0.20000000
11 1778 0.9629630 0.36111111
12 1779 0.7229630 0.05291005
13 1781 0.0000000 0.00000000
14 1782 0.0000000 0.00000000
15 1783 0.7500000 0.00000000
16 1784 0.7966605 0.21893984
17 1785 0.8518519 0.12500000
18 1786 0.0000000 0.00000000
19 1787 0.2279036 0.00000000
20 1788 0.7425926 0.08585859
21 1789 0.4648760 0.17942337
22 1790 0.8888889 0.00000000
23 1791 0.7958546 0.35023819
24 1792 0.0000000 0.00000000
25 1794 0.8021333 0.65529337
26 1795 0.0000000 0.00000000
27 1800 0.9900000 0.10825397
28 1802 0.7866667 0.07500000
29 1803 0.0000000 0.00000000
30 1804 0.0000000 0.00000000
31 1805 0.7416026 0.34158521
32 1806 0.9420000 0.47337963
33 1810 0.7500000 0.00000000
34 1812 0.8397279 0.53089503
35 1818 0.4863946 0.31103450
36 1819 0.8636475 0.20591162
37 1820 0.8888889 0.00000000
38 1821 0.7197232 0.60557261
39 1822 0.7308806 0.27126586
40 1823 0.6113805 0.26487719
41 1824 0.6400000 0.00000000
42 1826 0.9086405 0.13932918
43 1827 0.7447051 0.16207173
44 1828 0.9183673 0.40000000
45 1830 0.9843750 0.50000000
46 1831 0.7053061 0.55736111"), header = TRUE)

完整样本模型

library("AER")
m <- tobit(Ego ~ World, data = edf)
coeftest(m)

散点图

plot(jitter(Ego, 10) ~ jitter(World, 10), data = edf,
  xlab = "World (jittered)", ylab = "Ego (jittered)")
abline(m)
legend("topleft", "Tobit model", lwd = 1, bty = "n")

MOSUM测试

library("strucchange")
sctest(m, order.by = time(edf), functional = maxMOSUM(0.15), 
  plot = TRUE, aggregate = FALSE, ylim = c(-1.5, 1.5))

Answer 2

编辑：由我的朋友解决。为了记录，如果有人关心：这是一个窗口宽度的问题，我以为我玩过 - 但还不够。 β回归模型无法估算窗口每次迭代的系数，因此我们创建了一个带有β回归的循环，跟踪其进度，并查看错误发生的时间：

brr.function <- function(brr) {
  coef(betareg(y.transf.betareg(brr[,3])~brr[,2],
              data=as.data.frame(brr),
              na.action = na.omit))
}

a <- NULL 
total.obs <- nrow(brol)
mw <- 5  # window length

for (i in 1:c(total.obs-mw)){
  a<-c(a,brr.function(brol[i:c(i+mw),]))
  cat("i=",i,"\n") # this code tracks the progress of the loop
}

我们看到它在12点停止了，所以我们检查了那段数据：

i <- 12
brol[i:c(i+mw),]

Year    World        Ego
12 1779 0.722963 0.05291005
13 1781 0.000000 0.00000000
14 1782 0.000000 0.00000000
15 1783 0.750000 0.00000000

然后我们将窗口宽度设置为4，代码运行。

使用动物园包装零膨胀滚动β回归？

2 个答案: