Bunu üç olasılık takip eder. Duruma bağlı olarak herhangi biri uygun olabilir.
- Zaman toplama veya ayırma.
Bu, belki de yüksek frekanslı verileri (aylık), örneğin toplamları, ortalamaları veya dönem sonu değerlerini alarak yıllık verilere dönüştürdüğünüz en basit yaklaşımdır. Düşük frekanslı (yıllık) veriler, elbette, bazı enterpolasyon tekniği kullanılarak aylık verilere dönüştürülebilir; örneğin, Chow-Lin prosedürünü kullanarak. Bunun için tempdisaggpakete başvurmak yararlı olabilir : http://cran.r-project.org/web/packages/tempdisagg/index.html .
- Mi (xed) da (ta) s (ampling) (MIDAS).
Eric Ghysels tarafından popüler hale getirilen Midas regresyonları ikinci bir seçenektir. Burada iki ana fikir var. Birincisi frekans hizalamasıdır. İkincisi, uygun bir polinom belirterek boyutsallığın lanetini ele almaktır. Kısıtlanmamış MIDAS modeli, model sınıfından en basit olanıdır ve sıradan en küçük karelerle tahmin edilebilir. Daha fazla ayrıntı ve bu modellerin paketi Rkullanırken nasıl uygulanacağı midasrburada bulunabilir: http://mpiktas.github.io/midasr/ . İçin MATLAB, Ghysels 'sayfasına bakınız: http://www.unc.edu/~eghysels/ .
- Kalman filtre yöntemleri.
Bu, düşük frekanslı verilerin NA'lar içerdiği gibi ele alınmasını ve bir Kalman filtresi kullanarak doldurulmasını içeren bir durum uzayı modelleme yaklaşımıdır. Bu benim kişisel tercihim, ama doğru durum-uzay modelini belirtmekte zorlanıyor.
Bu yöntemlerin avantaj ve dezavantajlarına daha ayrıntılı bir bakış için Jennie Bai, Eric Ghysels ve Jonathan H. Wright'ın (2013) Eyalet Uzay Modelleri ve MIDAS Regresyonlarına bakınız .