如何在时间序列回归预测模型中识别传递函数？

我正在尝试针对其他变量/输入变量和自相关错误，以美元金额为结果变量建立时间序列回归预测模型。这种模型也称为动态回归模型。我需要学习如何为每个预测变量识别传递函数，并希望从您那里听到有关实现此目标的方法的信息。

Box，Jenkins和Reinsell（第四版，2008年）中描述的经典方法涉及查看互相关函数和各种自相关函数，并对各种术语的顺序和滞后做出很多主观决定。该方法适用于单个预测变量，但并不真正适用于多个预测变量。

在Pankratz（1991）中描述的另一种方法包括用AR误差拟合滞后回归并根据拟合系数确定适当的有理滞后结构（也是相对主观的过程）。然后用假定的滞后结构重新拟合整个模型，并提取残差。根据这些残差确定ARMA错误处理的顺序（例如，使用AIC）。然后，重新估算最终模型。这种方法适用于多种预测变量，并且比经典方法更容易应用。

我希望我可以说有一个简洁的自动化程序可以为您完成所有操作，但我不能。至少还没有。

Box和Jenkins最初提出了检查预先变白的互相关的想法。1981年，Liu和Hanssens发表了论文（L.-M. Liu和DM Hanssens（1982）。“多输入传递函数模型的标识。”《统计通讯》 A 11：297-314。），该论文提出了一个通用过滤器该方法可以有效处理多个输入，这些输入的预加白系列显示出互相关的结构。他们甚至创建了2个输入模型数据集来演示其解决方案。在对该方法进行编程后，将其与我们迭代实施的Box-Jenkins预增白方法进行比较后，我们决定不使用Pankratz方法或Liu-Hanssens方法，我们很高兴与您分享Liu-Hansens测试数据，如果您希望我将其发布到列表中。