Bagaimana cara mengidentifikasi fungsi transfer dalam model perkiraan regresi deret waktu?

Saya mencoba untuk membangun model peramalan regresi deret waktu untuk variabel hasil, dalam jumlah dolar, dalam hal prediktor / variabel input lainnya dan kesalahan autokorelasi. Model semacam ini juga disebut model regresi dinamis. Saya perlu belajar cara mengidentifikasi fungsi transfer untuk setiap prediktor dan akan senang mendengar dari Anda tentang cara untuk melakukan hal itu.

Pendekatan klasik, dijelaskan dalam Box, Jenkins & Reinsell (4th ed, 2008) melibatkan melihat fungsi lintas-korelasi dan berbagai fungsi auto-korelasi, dan membuat banyak keputusan subyektif tentang pesanan dan kelambatan untuk berbagai istilah. Pendekatan ini berfungsi baik untuk satu prediktor, tetapi tidak benar-benar cocok untuk beberapa prediktor.

Pendekatan alternatif, dijelaskan dalam Pankratz (1991) , melibatkan regresi lagging pas dengan kesalahan AR dan menentukan struktur lag rasional yang sesuai dari koefisien yang dipasang (juga proses yang relatif subyektif). Kemudian pasang kembali seluruh model dengan struktur lag yang seharusnya dan mengekstraksi residu. Urutan proses kesalahan ARMA ditentukan dari residu ini (menggunakan AIC misalnya). Kemudian model akhir diperkirakan kembali. Pendekatan ini bekerja dengan baik untuk banyak prediktor, dan jauh lebih mudah diterapkan daripada pendekatan klasik.

Saya berharap bisa mengatakan ada prosedur otomatis yang rapi ini yang melakukan semuanya untuk Anda, tetapi saya tidak bisa. Setidaknya belum.

Awalnya ide memeriksa korelasi silang pra-memutihkan disarankan oleh Box dan Jenkins. Pada 1981, Liu dan Hanssens menerbitkan (L.-M. Liu dan DM Hanssens (1982). "Identifikasi Model Fungsi Transfer Multi-Input." Komunikasi dalam Statistik A 11: 297-314.) Sebuah makalah yang menyarankan filter umum pendekatan yang secara efektif akan menangani beberapa input yang seri pra-memutihkannya memperlihatkan struktur korelatif-silang. Mereka bahkan membuat set data model input 2 untuk menunjukkan solusi mereka. Setelah kami memprogramkan pendekatan itu dan kemudian membandingkannya dengan pendekatan pre-whitening Box-Jenkins yang diterapkan secara iteratif oleh kami, kami memutuskan untuk tidak menggunakan pendekatan Pankratz atau pendekatan Liu-Hanssens. Kami akan dengan senang hati berbagi tes Liu-Hansens data dengan Anda jika Anda ingin saya mempostingnya ke daftar.