0

我尝试拟合 ARIMAX 模型来确定遏制措施（使用政府响应严格度指数，数字从 0 到 100）是否对每日新增病例率有显着影响。我还想添加测试率。我在 R 中编写了所有内容（每个 ts 都是固定的，...）并进行了 Granger 因果关系检验。结果：Pr(>F)大于 0.05。因此NO Granger因果关系的原假设可以被拒绝，新病例率和遏制措施具有反向因果关系。是否有可能转换变量“严格指数”并继续使用 ARIMAX 模型？如果是这样，如何在 R 中做到这一点？

4

1 回答 1

0

在 R 中，您有“预测”包来构建 ARIMA 模型。回想一下，真正的 ARIMAX 模型和具有 ARIMA 误差的线性回归之间存在差异。查看 Rob Hyndman（预测包作者）的这篇文章以获取更多详细信息： ARIMAX 模型混淆

以下是 Rob Hyndman 的示例，用于拟合具有 ARIMA 错误的线性回归 -在此处查看更多信息：

library(forecast)
library(fpp2) # To get a data set to work on
# Fit a linear regression with AR errors
fit <- Arima(uschange[,"Consumption"], xreg = uschange[,"Income"], order = c(1,0,0))
# Forecast and plot predictions
fcast <- forecast(fit, xreg=rep(mean(uschange[,2]),8))
autoplot(fcast) + xlab("Year") +
  ylab("Percentage change")

# Use auto.arima function to find the optimal parameters
fit <- auto.arima(uschange[,"Consumption"], xreg = uschange[,"Income"])
# Plot predictions
fcast <- forecast(fit, xreg=rep(mean(uschange[,2]),8))
autoplot(fcast) + xlab("Year") +
  ylab("Percentage change")

关于你关于如何解决反向因果问题的问题，很明显你有内生性偏差。响应严格指数会影响每日新增病例率，反之亦然。如果这是一个预测问题而不是估计问题，只要我得到好的预测，我就不会太在意。对于估计/因果关系，我将尝试获取不同的外生变量或尝试使用工具/控制变量。

于 2020-11-26T20:45:42.660 回答