我需要为第29个时间单位预测以下4个变量。我有大约2年的历史数据,其中1和14和27都是同一时期(或一年中的某个时间)。最后,我对,,和进行了Oaxaca-Blinder风格的分解。
time W wd wc p
1 4.920725 4.684342 4.065288 .5962985
2 4.956172 4.73998 4.092179 .6151785
3 4.85532 4.725982 4.002519 .6028712
4 4.754887 4.674568 3.988028 .5943888
5 4.862039 4.758899 4.045568 .5925704
6 5.039032 4.791101 4.071131 .590314
7 4.612594 4.656253 4.136271 .529247
8 4.722339 4.631588 3.994956 .5801989
9 4.679251 4.647347 3.954906 .5832723
10 4.736177 4.679152 3.974465 .5843731
11 4.738954 4.759482 4.037036 .5868722
12 4.571325 4.707446 4.110281 .556147
13 4.883891 4.750031 4.168203 .602057
14 4.652408 4.703114 4.042872 .6059471
15 4.677363 4.744875 4.232081 .5672519
16 4.695732 4.614248 3.998735 .5838578
17 4.633575 4.6025 3.943488 .5914644
18 4.61025 4.67733 4.066427 .548952
19 4.678374 4.741046 4.060458 .5416393
20 4.48309 4.609238 4.000201 .5372143
21 4.477549 4.583907 3.94821 .5515663
22 4.555191 4.627404 3.93675 .5542806
23 4.508585 4.595927 3.881685 .5572687
24 4.467037 4.619762 3.909551 .5645944
25 4.326283 4.544351 3.877583 .5738906
26 4.672741 4.599463 3.953772 .5769604
27 4.53551 4.506167 3.808779 .5831352
28 4.528004 4.622972 3.90481 .5968299
我相信,可以近似加上测量误差,但是你可以看到,总是大大超过因为浪费,逼近误差,或盗窃数量。
这是我的两个问题。
我的第一个想法是尝试以1个滞后和一个外生时间和周期变量对这些变量进行矢量自回归,但是鉴于我只有很少的数据,这似乎是一个坏主意。是否有任何时间序列方法(1)面对“微观数字”表现更好,并且(2)能够利用变量之间的联系?
另一方面,VAR的特征值的模数都小于1,因此我认为我不必担心非平稳性(尽管Dickey-Fuller检验表明并非如此)。除了和p,预测似乎与具有时间趋势的灵活单变量模型的预测基本一致。较低。滞后系数似乎大部分都合理,尽管在大多数情况下它们并不重要。线性趋势系数很显着,一些周期虚拟变量也很重要。仍然,从理论上讲,有没有什么理由比VAR模型更喜欢这种简单的方法?