幸运的是,我们可以轻松地为这两种模型做到这一点。例如,在 ARIMA(3,0,3) 的情况下,这里是如何降低第二个 AR 滞后和第一个 MA 滞后:
arima(lh, order = c(3, 0, 3), fixed = c(NA, 0, NA, 0, NA, NA, NA))
Call:
arima(x = lh, order = c(3, 0, 3), fixed = c(NA, 0, NA, 0, NA, NA, NA))
Coefficients:
ar1 ar2 ar3 ma1 ma2 ma3 intercept
0.6687 0 -0.1749 0 -0.0922 -0.1459 2.3909
s.e. 0.1411 0 0.1784 0 0.1788 0.2415 0.0929
sigma^2 estimated as 0.1773: log likelihood = -26.93, aic = 65.87
Warning message:
In arima(lh, order = c(3, 0, 3), fixed = c(NA, 0, NA, 0, NA, NA, :
some AR parameters were fixed: setting transform.pars = FALSE
这fixed
是一个“与参数总数相同长度的可选数字向量。如果提供,则只有固定的 NA 条目会发生变化”;有关?arima
警告等的更多详细fixed
信息coef(arima(...))
,fixed[3]
请参阅。ar3
fixed[7]
intercept
同样,restrict
fromvars
是 VAR 模型所需要的。同样,您必须在矩阵中指定您的限制,resmat
例如让我们采用 VAR(2) 并删除第二个滞后e
和第一个滞后prod
:
data(Canada)
model <- VAR(Canada[, 1:2], p = 2, type = "const")
restrict <- matrix(c(1, 0, 0, 1, 1,
1, 0, 0, 1, 1),
nrow = 2, ncol = 5, byrow = TRUE)
coef(restrict(model, method = "man", resmat = restrict))
$e
Estimate Std. Error t value Pr(>|t|)
e.l1 0.9549881 0.01389252 68.741154 3.068870e-72
prod.l2 0.1272821 0.03118432 4.081607 1.062318e-04
const -8.9867864 6.46303483 -1.390490 1.682850e-01
$prod
Estimate Std. Error t value Pr(>|t|)
e.l1 0.04130273 0.02983449 1.384396 1.701355e-01
prod.l2 0.94684968 0.06696899 14.138628 2.415345e-23
const -17.02778014 13.87950374 -1.226829 2.235306e-01
的第一行resmat
对应于第一个方程,并且所有系数都与无限制模型中的一样:e.l1, prod.l1, e.l2, prod.l2, const
,即restrict[1, 5]
对应于截距并且对于第二个矩阵行同样成立。