R 中时间序列模型 (ARIMA-ARCH) 的分位数回归
Quantile Regression with Time-Series Models (ARIMA-ARCH) in R
我正在使用时间序列数据进行分位数预测。我使用的模型是 ARIMA(1,1,2)-ARCH(2)，我正在尝试对我的数据进行分位数回归估计。
到目前为止，我已经找到 "quantreg" 包来执行分位数回归，但我不知道如何将 ARIMA-ARCH 模型作为函数 rq 中的模型公式。
rq 函数似乎适用于具有因变量和自变量的回归，但不适用于时间序列。
是否有其他一些包可以放置时间序列模型并在 R 中进行分位数回归？欢迎任何建议。谢谢。
您好，欢迎来到 Whosebug。请花一些时间阅读帮助页面，尤其是名为 "What topics can I ask about here?" and "What types of questions should I avoid asking?". And more importantly, please read the Stack Overflow question checklist. You might also want to learn about Minimal, Complete, and Verifiable Examples.
的部分
我可以尝试解决您的问题，尽管这很难，因为您没有提供任何 code/data。另外，我猜 "put ARIMA-ARCH models" 你实际上是说你想使用 ARIMA(1,1,2) plus 和 ARCH(2) 过滤器使一个综合序列平稳。
有关 R 时间序列功能的概述，您可以参考 CRAN task list。
您可以使用适当的函数在 R 中轻松应用这些过滤器。
例如，您可以使用 forecast package, then compute the residuals with residuals() from the stats package. Next, you can use this filtered series as input for the garch() function from the tseries package. Other possibilities are of course possible. Finally, you can apply quantile regression on this filtered series. For instance, you can check out the dynrq() function from the quantreg 包中的 Arima() 函数，它允许 data 参数中的时间序列对象。
我刚刚在 Data Science forum 上做了一个回答。
它基本上说大多数现成的包都使用所谓的 exact test 基于分布假设（独立相同的正态高斯分布，或更宽）。
你还有一个 resampling methods 族，你在其中模拟了一个与观察到的样本分布相似的样本，执行 ARIMA(1,1,2)-ARCH(2) 并重复该过程很多次。然后，您分析大量预测并衡量（而不是计算）您的置信区间。
重采样方法在生成模拟样本的方式上有所不同。最常用的是：
- Jackknife：其中你"forget"一点，就是你模拟了一个n个大小为n-1的样本（如果n是观测样本的大小）。
- Bootstrap：在其中您通过替换原始样本的 n 值来模拟样本：有些会被取一次，有些会被取两次或更多，有些人从来没有，...
这是一个（不容易）定理，即与大多数常用统计估计量一样，置信区间的期望在模拟样本上与在原始样本上相同。不同之处在于，您可以通过大量模拟来测量它们。
我正在使用时间序列数据进行分位数预测。我使用的模型是 ARIMA(1,1,2)-ARCH(2)，我正在尝试对我的数据进行分位数回归估计。
到目前为止，我已经找到 "quantreg" 包来执行分位数回归，但我不知道如何将 ARIMA-ARCH 模型作为函数 rq 中的模型公式。 rq 函数似乎适用于具有因变量和自变量的回归，但不适用于时间序列。
是否有其他一些包可以放置时间序列模型并在 R 中进行分位数回归？欢迎任何建议。谢谢。
您好，欢迎来到 Whosebug。请花一些时间阅读帮助页面，尤其是名为 "What topics can I ask about here?" and "What types of questions should I avoid asking?". And more importantly, please read the Stack Overflow question checklist. You might also want to learn about Minimal, Complete, and Verifiable Examples.
的部分我可以尝试解决您的问题，尽管这很难，因为您没有提供任何 code/data。另外，我猜 "put ARIMA-ARCH models" 你实际上是说你想使用 ARIMA(1,1,2) plus 和 ARCH(2) 过滤器使一个综合序列平稳。
有关 R 时间序列功能的概述，您可以参考 CRAN task list。
您可以使用适当的函数在 R 中轻松应用这些过滤器。
例如，您可以使用 forecast package, then compute the residuals with residuals() from the stats package. Next, you can use this filtered series as input for the garch() function from the tseries package. Other possibilities are of course possible. Finally, you can apply quantile regression on this filtered series. For instance, you can check out the dynrq() function from the quantreg 包中的 Arima() 函数，它允许 data 参数中的时间序列对象。
我刚刚在 Data Science forum 上做了一个回答。
它基本上说大多数现成的包都使用所谓的 exact test 基于分布假设（独立相同的正态高斯分布，或更宽）。
你还有一个 resampling methods 族，你在其中模拟了一个与观察到的样本分布相似的样本，执行 ARIMA(1,1,2)-ARCH(2) 并重复该过程很多次。然后，您分析大量预测并衡量（而不是计算）您的置信区间。
重采样方法在生成模拟样本的方式上有所不同。最常用的是：
- Jackknife：其中你"forget"一点，就是你模拟了一个n个大小为n-1的样本（如果n是观测样本的大小）。
- Bootstrap：在其中您通过替换原始样本的 n 值来模拟样本：有些会被取一次，有些会被取两次或更多，有些人从来没有，...
这是一个（不容易）定理，即与大多数常用统计估计量一样，置信区间的期望在模拟样本上与在原始样本上相同。不同之处在于，您可以通过大量模拟来测量它们。