不同频率的回归

我正在尝试进行简单回归，但我的Y变量按月频率观察，而x变量按年频率观察。我将非常感谢有关可用于不同频率回归的合适方法的一些指导。

非常感谢你

接下来是三种可能性。根据情况，任何一种都可能适合。

1. 时间汇总或分解汇总。

这也许是最简单的方法，例如，通过求和，取平均值或期末值将高频数据（每月）转换为年度数据。当然，可以使用某种插值技术将低频（年度）数据转换为每月数据。例如，使用Chow-Lin过程。为此，请参考该tempdisagg软件包：http : //cran.r-project.org/web/packages/tempdisagg/index.html。

2. Mi（固定）da（ta）s（采样）（MIDAS）。

由Eric Ghysels推广的Midas回归是第二种选择。这里有两个主要想法。首先是频率对准。第二种是通过指定适当的多项式来解决维数的诅咒。无限制的MIDAS模型是模型类别中最简单的模型，可以通过普通最小二乘法进行估计。可以在以下位置找到更多详细信息以及如何R使用该midasr程序包实现这些模型：http : //mpiktas.github.io/midasr/。对于MATLAB，请参考Ghysels的页面：http : //www.unc.edu/~eghysels/。

3. 卡尔曼滤波方法。

这是一种状态空间建模方法，涉及将低频数据视为包含NA，然后使用卡尔曼滤波器对其进行填充。这是我的个人喜好，但是确实很难指定正确的状态空间模型。

要更深入地了解这些方法的优缺点，请参阅詹妮·白，埃里克·盖瑟斯和乔纳森·H·赖特（2013）撰写的《状态空间模型和MIDAS回归》。