R'de otokorelasyonlu hatalara sahip basit doğrusal model [kapalı]

R'de otokorelasyonlu hataları olan doğrusal bir modeli nasıl takabilirim? Stata praiskomutunu kullanırdım , ama R eşdeğerini bulamıyorum ...

Nlmegls paketinden (genelleştirilmiş en küçük kareler) bir göz atın

Regresyondaki hatalar için bir korelasyon profili ayarlayabilirsiniz, örneğin ARMA, vb:

 gls(Y ~ X, correlation=corARMA(p=1,q=1))

ARMA (1,1) hataları için.

Adlı gls()işleve ek olarak, MLE kullanarak paketteki işlevi nlmede kullanabilirsiniz . İşte her iki işleve de bir örnek.arima()stats

x <- 1:100
e <- 25*arima.sim(model=list(ar=0.3),n=100)
y <- 1 + 2*x + e

###Fit the model using gls()
require(nlme)
(fit1 <- gls(y~x, corr=corAR1(0.5,form=~1)))
Generalized least squares fit by REML
  Model: y ~ x 
  Data: NULL 
  Log-restricted-likelihood: -443.6371

Coefficients:
(Intercept)           x 
   4.379304    1.957357 

Correlation Structure: AR(1)
 Formula: ~1 
 Parameter estimate(s):
      Phi 
0.3637263 
Degrees of freedom: 100 total; 98 residual
Residual standard error: 22.32908 

###Fit the model using arima()
(fit2 <- arima(y, xreg=x, order=c(1,0,0)))

Call:
arima(x = y, order = c(1, 0, 0), xreg = x)

Coefficients:
         ar1  intercept       x
      0.3352     4.5052  1.9548
s.e.  0.0960     6.1743  0.1060

sigma^2 estimated as 423.7:  log likelihood = -444.4,  aic = 896.81 

Arima () işlevinin avantajı, çok daha çeşitli ARMA hata işlemlerine sığabilmenizdir. Tahmin paketinden auto.arima () işlevini kullanırsanız, ARMA hatasını otomatik olarak tanımlayabilirsiniz:

require(forecast)    
fit3 <- auto.arima(y, xreg=x)

Fonksiyonu kullanın GLS paket dan nlme . İşte örnek.

##Generate data frame with regressor and AR(1) error. The error term is 
## \eps_t=0.3*\eps_{t-1}+v_t
df <- data.frame(x1=rnorm(100), err=filter(rnorm(100)/5,filter=0.3,method="recursive"))

##Create ther response
df$y <- 1 + 2*df$x + df$err

###Fit the model
gls(y~x, data=df, corr=corAR1(0.5,form=~1))

Generalized least squares fit by REML
  Model: y ~ x 
  Data: df 
  Log-restricted-likelihood: 9.986475

 Coefficients:
 (Intercept)           x 
   1.040129    2.001884 

 Correlation Structure: AR(1)
 Formula: ~1 
 Parameter estimate(s):
     Phi 
 0.2686271 
Degrees of freedom: 100 total; 98 residual
Residual standard error: 0.2172698 

Model maksimum olasılık kullanılarak takıldığından başlangıç ​​değerlerini sağlamanız gerekir. Varsayılan başlangıç ​​değeri 0'dır, ancak her zaman olduğu gibi yakınsamayı sağlamak için birkaç değer denemek iyidir.

Dr. G'nin işaret ettiği gibi, diğer korelasyon yapılarını da kullanabilirsiniz: ARMA.

Genel olarak, en küçük kareler tahminlerinin, regresyon hatalarının kovaryans matrisi, kimlik matrisinin katları değilse tutarlı olduğunu unutmayın; bu nedenle, modeli belirli kovaryans yapısına sığdırırsanız, öncelikle uygun olup olmadığını test etmeniz gerekir.

Gls çıktısında tahmin kullanabilirsiniz. Bkz.? Predict.gls. Ayrıca korelasyon yapısında "form" terimi ile gözlem sırasını belirleyebilirsiniz. Örneğin:
corr=corAR1(form=~1) verinin sırasının tablodakiler olduğunu belirtir. corr=corAR1(form=~Year)sıra, yıl faktörünün biri olduğunu belirtir. Son olarak, "0.5" değeri corr=corAR1(0.5,form=~1)?genellikle varyans yapısını temsil ettiği tahmin edilen parametrenin değerine ayarlanır (MA durumunda AR, MA durumunda teta .. .). Rob Hyndman'ın belirttiği gibi kurmak ve optimizasyon için kullanmak isteğe bağlıdır.