ARIMAX 外生变量反转因果关系

Question

我尝试拟合 ARIMAX 模型来确定遏制措施（使用政府响应严格指数，从 0 到 100 的数字）是否对每日新病例率产生重大影响。我还想添加测试率。我用 R 编写了所有程序（每个 ts 都是固定的，...）并进行了格兰杰因果检验。结果：Pr(>F)大于 0.05。因此可以拒绝无格兰杰因果关系的原假设，新发病例率和遏制措施具有反向因果关系。是否有可能转换变量“严格指数”并继续使用 ARIMAX 模型？如果是这样，如何在 R 中执行此操作？

Answer 1

在 R 中，您有“预测”包来构建 ARIMA 模型。回想一下，真正的 ARIMAX 模型和带有 ARIMA 误差的线性回归是有区别的。查看 Rob Hyndman（预测包作者）的 post 以获得更多详细信息： The ARIMAX model muddle

以下是 Rob Hyndman 的示例，用于拟合具有 ARIMA 误差的线性回归 - check more information here：

library(forecast)
library(fpp2) # To get a data set to work on
# Fit a linear regression with AR errors
fit <- Arima(uschange[,"Consumption"], xreg = uschange[,"Income"], order = c(1,0,0))
# Forecast and plot predictions
fcast <- forecast(fit, xreg=rep(mean(uschange[,2]),8))
autoplot(fcast) + xlab("Year") +
  ylab("Percentage change")

# Use auto.arima function to find the optimal parameters
fit <- auto.arima(uschange[,"Consumption"], xreg = uschange[,"Income"])
# Plot predictions
fcast <- forecast(fit, xreg=rep(mean(uschange[,2]),8))
autoplot(fcast) + xlab("Year") +
  ylab("Percentage change")

关于你的反向因果关系如何解决的问题，很明显你存在内生性偏差。响应严格性指数影响每日新病例率，反之亦然。如果这是一个预测问题而不是估计问题，只要我得到好的预测，我就不会太在意它。对于 estimation/causation 的事情，我将尝试获取不同的外生变量或尝试使用 instrumental/control 变量。

ARIMAX 外生变量反转因果关系

ARIMAX exogenous variables reverse causality

r

causality

arima