Menyesuaikan regresi linier berganda pada R: residu autokorelasi

Saya mencoba memperkirakan regresi linier berganda dalam R dengan persamaan seperti ini:

regr <- lm(rate ~ constant + askings + questions + 0)

pertanyaan dan pertanyaan adalah seri waktu data triwulanan, dibangun bersama askings <- ts(...).

Masalahnya sekarang adalah bahwa saya mendapat residu autokorelasi. Saya tahu bahwa adalah mungkin untuk menyesuaikan regresi menggunakan fungsi gls, tapi saya tidak tahu bagaimana mengidentifikasi struktur kesalahan AR atau ARMA yang benar yang harus saya implementasikan dalam fungsi gls.

Saya akan mencoba memperkirakan lagi sekarang dengan,

gls(rate ~ constant + askings + questions + 0, correlation=corARMA(p=?,q=?))

tapi saya sayangnya bukan ahli R atau ahli statistik secara umum untuk mengidentifikasi p dan q.

Saya akan senang jika seseorang bisa memberi saya petunjuk yang bermanfaat. Terima kasih banyak sebelumnya!

Jo

Mencoba

library(forecast)
fit <- auto.arima(rate, xreg=cbind(askings,questions))

Itu akan cocok dengan model linier karena akan secara otomatis mengidentifikasi struktur ARMA untuk kesalahan. Ini menggunakan MLE daripada GLS, tetapi mereka setara secara asimptotik.

Jika prediksi adalah tujuan Anda, Anda dapat menyesuaikan berbagai model di atas parameter:

expand.grid(p = 1:P, q = 1:Q)

di mana Pdan Qadalah istilah AR (p) dan MA (q) maksimal yang ingin Anda sertakan dan pilih model pemasangan terbaik yang ditentukan oleh BIC.

auto.arima()dalam ramalan paket akan membantu dengan ini, tetapi dapat dikodekan dengan mudah dengan tangan menggunakan expand.grid()dan loop dan arima()fungsi yang datang dengan R.

Di atas pas pada residu dari gls()tanpa correlationstruktur.

Anda juga dapat melakukan semuanya secara langsung dengan gls()hanya memasang banyak model untuk kombinasi pdan qdan AIC()fungsi bawaan .

Anda juga dapat memplot ACF ( acf()) dan ACF parsial ( pacf()) dari residu dari model linier tanpa struktur korelasi dan menggunakannya untuk menyarankan urutan model yang diperlukan.