4

我正在尝试使用midasr包中的月度变量生成季度变量的提前 1 步预测。我遇到的问题是，我只能MIDAS在样本中每月观察次数恰好是季度观察次数的 3 倍时估计模型。

midasr当每月观察的数量不是季度观察的精确倍数时（例如，当我有一个新的每月数据点要用于更新预测时），我如何在包中进行预测？

(n)例如，假设当我有季度观察和(3*n)每月观察时，我运行以下代码来生成提前 1 步的预测：

#first I create the quarterly and monthly variables
n <- 20
qrt <- rnorm(n)
mth <- rnorm(3*n)

#I convert the data to time series format
qrt <- ts(qrt, start = c(2009, 1), frequency = 4)
mth <- ts(mth, start = c(2009, 1), frequency = 12)

#now I estimate the midas model and generate a 1-step ahead forecast 
library(midasr)
reg <- midas_r(qrt ~ mls(qrt, 1, 1) + mls(mth, 3:6, m = 3, nealmon), start = list(mth = c(1, 1, -1)))
forecast(reg, newdata = list(qrt = c(NA), mth =c(NA, NA, NA)))

这段代码工作正常。现在假设我要包含一个新的月度数据点，因此新的月度数据是：

nmth <- rnorm(3*n +1)

我尝试运行以下代码来估计新模型：

reg <- midas_r(qrt ~ mls(qrt, 1, 1) + mls(nmth, 2:7, m = 3, nealmon), start = list(mth = c(1, 1, -1))) #I now use 2 lags instead 3 with the new monthly data

但是我收到一条错误消息：'Error in mls(nmth, 2:7, m = 3, nealmon) : Incomplete high frequency data'

我在网上找不到有关如何处理此问题的任何信息。

4

1 回答 1

1

不久前，我不得不处理类似的问题。如果我没记错的话，您首先需要使用具有减少滞后的旧数据集来估计模型，因此如果使用3:6滞后，您应该使用2:6滞后：

reg <- midas_r(qrt ~ mls(qrt, 1, 1) + mls(mth, 2:6, m = 3, nealmon), start = list(mth = c(1, 1, -1)))

然后假设您观察到更高频率数据的新值 -new_value

new_value <- rnorm(1)

然后您可以使用这个新观察到的值来预测较低频率变量，如下所示：

forecast(reg, newdata = list(mth = c(new_value, rep(NA, 2))))
于 2015-03-20T00:44:12.570 回答