在R中拟合多元线性回归：自相关残差

我正在尝试使用以下方程式估算R中的多元线性回归：

regr <- lm(rate ~ constant + askings + questions + 0)

问和问题是按季度构建的季度数据时间序列askings <- ts(...)。

现在的问题是我得到了自相关残差。我知道可以使用gls函数拟合回归，但是我不知道如何识别必须在gls函数中实现的正确的AR或ARMA错误结构。

我现在尝试再次估算，

gls(rate ~ constant + askings + questions + 0, correlation=corARMA(p=?,q=?))

但是很遗憾，我既不是R专家也不是统计学专家来确定p和q。

如果有人可以给我一个有用的提示，我将很高兴。提前非常感谢您！

乔

尝试

library(forecast)
fit <- auto.arima(rate, xreg=cbind(askings,questions))

这将适合线性模型，就像将自动识别错误的ARMA结构一样。它使用MLE而不是GLS，但它们在渐近性上等效。

如果要进行预测，则可以在参数上拟合一系列模型：

expand.grid(p = 1:P, q = 1:Q)

其中P和Q是您希望包括的最大AR（p）和MA（q）项，并选择由BIC确定的最佳拟合模型。

auto.arima()打包中的预测将对此有所帮助，但可以使用expand.grid()and循环以及arima()R随附的函数轻松对其进行编码。

上面的内容适合gls()没有correlation结构的残差。

您也可以直接手工完成整个事情，gls()只需为p和q和内置AIC()函数的组合拟合很多模型即可。

您还可以绘制没有相关结构的线性模型的残差的ACF（acf()）和部分ACF（pacf()），并使用它们来建议所需模型的顺序。