R中时间序列回归的效率：我怎样才能做得更好？

Question

我正在研究时间序列，并想检查所有滞后差异的显着性（本质上是手动进行 dickey-fuller 测试），但这并不重要。我可以做到，但它真的很机械，必须有一种方法可以更优雅地做到这一点。或者至少更有效。有什么想法吗？

y <- log.real.gdp.ts

delta.y.t <- diff(y,differences=1)
lag.y <- lag(y, -1)
L1Dy <- lag(delta.y.t, k=-1)
L2Dy <- lag(delta.y.t, k=-2)    
L3Dy <- lag(delta.y.t, k=-3)    
L4Dy <- lag(delta.y.t, k=-4)    
L5Dy <- lag(delta.y.t, k=-5)    
L6Dy <- lag(delta.y.t, k=-6)    
L7Dy <- lag(delta.y.t, k=-7)    
L8Dy <- lag(delta.y.t, k=-8)    
L9Dy <- lag(delta.y.t, k=-9)    
L10Dy <- lag(delta.y.t, k=-10)  
L11Dy <- lag(delta.y.t, k=-11)  
L12Dy <- lag(delta.y.t, k=-12)  

d = ts.union(delta.y.t, lag.y, L1Dy, L2Dy, L3Dy, L4Dy, L5Dy, L6Dy, L7Dy, L8Dy, L9Dy, L10Dy, L11Dy, L12Dy)               ## takes care of NA's

lm.model.III <- lm(delta.y.t~ lag.y + time(lag.y) + L1Dy + L2Dy + L3Dy + L4Dy + L5Dy + L6Dy + L7Dy + L8Dy + L9Dy + L10Dy + L11Dy + L12Dy, data=d)

我真的很想要某种循环，我可以在其中生成 1:n 滞后差异，然后以某种方式将所有 n 插入我的线性模型中，例如

 lm.model.III <- lm(delta.y.t ~ lag.y + time(lag.y) + lagged.diffs.mts)

Answer 1

dynlm 包将时间序列运算符的处理添加到 R 公式中：

dynlm 的接口和内部结构与lm 非常相似，但是 目前dynlm 与直接使用lm 相比具有三个优势： 1. 扩展公式处理，2.时间序列的保存 属性，3. 工具变量回归（通过两阶段最小 方格）。为了指定要拟合的模型的公式，有 有额外的功能，可以方便 动态规范（通过d() 和L()）或线性/循环 模式（通过trend()、season() 和harmon()）。全新配方 函数要求它们的参数是时间序列对象（即， “ts”或“zoo”）。

这是一个例子：

library(foreign)
library(zoo)
library(dynlm)

dfKlein = read.dta('http://www.stata-press.com/data/r12/klein.dta')
summary(dfKlein)

zooKlein = as.zoo(dfKlein, order.by = dfKlein$year)
lmKlein = dynlm(consump ~ L(profits, 1) + profits + wagetot, 
                data = zooKlein)
summary(lmKlein)

请特别注意，它允许您在公式对象中指定滞后向量，例如y ~ L(y, 1:4)。

Answer 2

如何

require(zoo)

delta.y.t <- diff(y,differences=1)
lag.y <- lag(y, -1)
L1Dy <- lag(delta.y.t, -(0:12), na.pad=T)

#for any regression you can then access the number of lags you want:
# 0 lag and na.pad=T are crucial

lm(lag.y ~ L1Dy[,1:5])

希望对你有帮助

-chris