시계열 회귀 예측 모델에서 전달 함수를 식별하는 방법은 무엇입니까?

다른 예측 변수 / 입력 변수 및 자기 상관 오류 측면에서 결과 변수에 대한 시계열 회귀 예측 모델을 달러 단위로 작성하려고합니다. 이러한 종류의 모델을 동적 회귀 모델이라고도합니다. 각 예측 변수에 대한 전달 함수를 식별하는 방법을 배워야하며 그렇게하는 방법에 대해 여러분의 의견을 듣고 싶습니다.

Box, Jenkins & Reinsell (4th ed, 2008)에 설명 된 고전적인 접근 방식 은 상호 상관 함수와 다양한 자동 상관 함수를 살펴보고 다양한 용어의 순서와 지연에 대해 많은 주관적인 결정을 내립니다. 이 방법은 단일 예측 변수에는 문제가 없지만 실제로 여러 예측 변수에는 적합하지 않습니다.

Pankratz (1991)에 설명 된 대안 은 AR 오류로 지연 회귀를 맞추고 적합 계수로부터 적절한 합리적인 지연 구조를 결정하는 것입니다 (또한 비교적 주관적인 프로세스). 그런 다음 예상되는 지연 구조로 전체 모델을 다시 작성하고 잔차를 추출합니다. ARMA 오류 프로세스의 순서는 이러한 잔차에서 결정됩니다 (예 : AIC 사용). 그런 다음 최종 모델이 재 추정됩니다. 이 방법은 여러 예측 변수에 적합하며 기존 방법보다 적용이 훨씬 간단합니다.

나는 당신을 위해 모든 것을 해낸이 깔끔한 자동 절차가 있다고 말할 수 있기를 바랍니다. 적어도 아직은.

Box와 Jenkins는 원래 사전 미백 된 상호 상관을 조사한다는 아이디어를 제안했습니다. 1981 년에 Liu와 Hanssens는 L.M. Liu와 DM Hanssens (1982). "다중 입력 전달 함수 모델의 식별"통계 자료 11 : 1197-314의 통신)을 발표했다. 사전 화이트닝 된 시리즈가 상호 상관 구조를 나타내는 여러 입력을 효과적으로 처리하는 방법 또한 솔루션을 보여주기 위해 2 개의 입력 모델 데이터 세트를 만들었습니다. 이 접근 방식을 프로그래밍 한 다음 반복적으로 구현 한 Box-Jenkins 사전 미백 접근 방식과 비교 한 후 Pankratz 접근 방식 또는 Liu-Hanssens 접근 방식을 사용하지 않기로 결정했습니다 .Liu-Hansens 테스트를 공유하게되어 기쁩니다. 목록에 게시하려면 데이터를 보내주십시오.