我正在寻找可以创建 VAR(p) 模型的滞后结构的函数或代码，因为我需要它来在其上运行其他一些函数。我编写了一个函数，可以在单变量情况下创建一个时间序列的滞后结构矩阵，但我不知道为多变量情况编写函数。或者在 R 中有任何实现吗？
一个简短的可重现示例是 3 维 VAR：
Y <- matrix(1:30, ncol=3)
并假设我想构建一个 3 维 VAR(2) 模型的滞后矩阵
编辑
最终目标是使用包估计一个 5 维 VAR(20) lasso Regressionglmnet
问问题
114 次
1 回答
0
我正在寻找可以创建 VAR(p) 模型的滞后结构的函数或代码，...
这是一种方法
n <- 1000
p <- 3
set.seed(1)
Y <- matrix(rnorm(n * p), ncol = p)
X <- cbind(lag_1 = rbind(NA, head(Y, -1)), lag_2 = rbind(NA, NA, head(Y, -2)))
head(X)
#R [,1] [,2] [,3] [,4] [,5] [,6]
#R [1,] NA NA NA NA NA NA
#R [2,] -0.6265 1.1350 -0.88615 NA NA NA
#R [3,] 0.1836 1.1119 -1.92225 -0.6265 1.1350 -0.8861
#R [4,] -0.8356 -0.8708 1.61970 0.1836 1.1119 -1.9223
#R [5,] 1.5953 0.2107 0.51927 -0.8356 -0.8708 1.6197
#R [6,] 0.3295 0.0694 -0.05585 1.5953 0.2107 0.5193
head(Y)
#R [,1] [,2] [,3]
#R [1,] -0.6265 1.1350 -0.88615
#R [2,] 0.1836 1.1119 -1.92225
#R [3,] -0.8356 -0.8708 1.61970
#R [4,] 1.5953 0.2107 0.51927
#R [5,] 0.3295 0.0694 -0.05585
#R [6,] -0.8205 -1.6626 0.69642
您可以使用它来执行条件对数似然估计，如下所示
colnames(X) <- c(paste0("X_lag_1", 1:3), paste0("X_lag_2", 1:3))
lm.fit(x = X[-(1:2), ], y = Y[-(1:2), ])$coefficients
#R [,1] [,2] [,3]
#R X_lag_11 -0.041859 0.0048129 -0.02624
#R X_lag_12 -0.013648 0.0005279 -0.02306
#R X_lag_13 0.037641 -0.0087508 0.05377
#R X_lag_21 -0.033324 0.0637967 -0.05455
#R X_lag_22 -0.007617 0.0384764 -0.08435
#R X_lag_23 0.006812 -0.0420907 -0.02983
更新
你可以做一个这样的功能
n <- 1000
p <- 2
set.seed(1)
Y <- matrix(rnorm(n * p), ncol = p)
lag_series <- function(Y, max_lag)
do.call(cbind, lapply(1:max_lag, function(i)
do.call(rbind, c(as.list(rep(NA, i)), list(head(Y, -i))))))
head(lag_series(Y, 1))
#R [,1] [,2]
#R [1,] NA NA
#R [2,] -0.6264538 1.13496509
#R [3,] 0.1836433 1.11193185
#R [4,] -0.8356286 -0.87077763
#R [5,] 1.5952808 0.21073159
#R [6,] 0.3295078 0.06939565
head(lag_series(Y, 2))
#R [,1] [,2] [,3] [,4]
#R [1,] NA NA NA NA
#R [2,] -0.6264538 1.13496509 NA NA
#R [3,] 0.1836433 1.11193185 -0.6264538 1.1349651
#R [4,] -0.8356286 -0.87077763 0.1836433 1.1119318
#R [5,] 1.5952808 0.21073159 -0.8356286 -0.8707776
#R [6,] 0.3295078 0.06939565 1.5952808 0.2107316
head(lag_series(Y, 3))
#R [,1] [,2] [,3] [,4] [,5] [,6]
#R [1,] NA NA NA NA NA NA
#R [2,] -0.6264538 1.13496509 NA NA NA NA
#R [3,] 0.1836433 1.11193185 -0.6264538 1.1349651 NA NA
#R [4,] -0.8356286 -0.87077763 0.1836433 1.1119318 -0.6264538 1.1349651
#R [5,] 1.5952808 0.21073159 -0.8356286 -0.8707776 0.1836433 1.1119318
#R [6,] 0.3295078 0.06939565 1.5952808 0.2107316 -0.8356286 -0.8707776
#...
于 2018-07-15T20:01:04.573 回答