如何使用 MIDASR 包在 MIDAS 模型中使用参差不齐的边缘数据进行预测？

Question

我正在尝试使用 midasr 包中的每月变量生成季度变量的提前 1 步预测。我遇到的问题是，当样本中每月观察的数量恰好是季度观察数量的 3 倍时，我只能估计一个 MIDAS 模型。

当每月观测值的数量不是季度观测值的精确倍数时（例如，当我有一个新的每月数据点要用于更新预测）？

举个例子，假设我运行以下代码在我有 (n) 个季度观察和 (3*n) 个月观察时生成提前 1 步预测：

#first I create the quarterly and monthly variables
n <- 20
qrt <- rnorm(n)
mth <- rnorm(3*n)

#I convert the data to time series format
qrt <- ts(qrt, start = c(2009, 1), frequency = 4)
mth <- ts(mth, start = c(2009, 1), frequency = 12)

#now I estimate the midas model and generate a 1-step ahead forecast 
library(midasr)
reg <- midas_r(qrt ~ mls(qrt, 1, 1) + mls(mth, 3:6, m = 3, nealmon), start = list(mth = c(1, 1, -1)))
forecast(reg, newdata = list(qrt = c(NA), mth =c(NA, NA, NA)))

这段代码工作正常。现在假设我有一个新的月度数据点要包括在内，因此新的月度数据为：

nmth <- rnorm(3*n +1)

我尝试运行使用以下代码来估计新模型：

reg <- midas_r(qrt ~ mls(qrt, 1, 1) + mls(nmth, 2:7, m = 3, nealmon), start = list(mth = c(1, 1, -1))) #I now use 2 lags instead 3 with the new monthly data

但是我收到一条错误消息：'Error in mls(nmth, 2:7, m = 3, nealmon) : Incomplete high frequency data'

我在网上找不到任何关于如何处理这个问题的信息。

Answer 1

不久前 I had to do 有类似的问题。如果我没记错的话，您首先需要使用延迟减少的旧数据集来估计模型，所以不要使用 3:6 滞后，您应该使用 2:6 滞后：

reg <- midas_r(qrt ~ mls(qrt, 1, 1) + mls(mth, 2:6, m = 3, nealmon), start = list(mth = c(1, 1, -1)))

然后假设您观察到更高频率数据的新值 - new_value

new_value <- rnorm(1)

然后您可以使用这个新观测值来预测较低频率的值，如下所示：

forecast(reg, newdata = list(mth = c(new_value, rep(NA, 2))))

如何使用 MIDASR 包在 MIDAS 模型中使用参差不齐的边缘数据进行预测？

How to forecast using ragged edge data in a MIDAS model using the MIDASR package?

r

forecasting

ragged