Выборка смешанных данных - Mixed-data sampling

Выборка смешанных данных (MIDAS) является эконометрический метод регрессии или фильтрации, разработанный Эрик Гизелс с несколькими соавторами. В настоящее время существует обширная литература о регрессиях MIDAS и их приложениях, включая Andreou et al. (2010),^[1] и особенно Andreou et al. (2013).^[2]

В простом примере регрессии независимая переменная появляется с большей частотой, чем зависимая переменная:

${\displaystyle y_{t}=\beta _{0}+\beta _{1}B(L^{1/m};\theta )x_{t}^{(m)}+\varepsilon _{t}^{(m)},}$

куда у зависимая переменная, Икс регрессор, м обозначает частоту - например, если у ежегодно ${\displaystyle x_{t}^{(4)}}$ ежеквартально - ${\displaystyle \varepsilon }$ это беспокойство и ${\displaystyle B(L^{1/m};\theta )}$ - распределение лагов, например Бета-функция или Almon Lag.

В некоторых случаях регрессионные модели можно рассматривать как замену Фильтр Калмана при применении в контексте данных со смешанной частотой. Bai, Ghysels и Wright (2010) исследуют взаимосвязь между регрессиями MIDAS и моделями пространства состояний фильтра Калмана, применяемыми к данным со смешанной частотой. В общем, последнее включает систему уравнений, тогда как, напротив, регрессия MIDAS включает единственное уравнение (сокращенной формы). Как следствие, регрессия MIDAS может быть менее эффективной, но и менее подверженной ошибкам спецификации. В случаях, когда регрессия MIDAS является только приближением, ошибки аппроксимации обычно невелики.

MIDAS также можно использовать для машинное обучение временные ряды и панельные данные прогноз погоды.^[3][4]

Смотрите также

• Распределенная задержка
• ARMAX

Рекомендации

1. Андреу, Елена и Эрик Гизелс и Андрос Куртеллос «Модели регрессии со смешанными частотами выборки», Journal of Econometrics, 158, 246-261.
2. Андреу, Елена и Эрик Гизелс и Андрос Куртеллос "Должны ли макроэкономические прогнозисты использовать ежедневные финансовые данные и как?", Журнал деловой и экономической статистики 31, 240-251.
3. Бабий, Андрей, Эрик Гизелс и Йонас Стриукас «Регрессии временных рядов машинного обучения с приложением к прогнозированию текущей погоды», arXiv: 2005.14057.
4. Бабий, Андрей и Райан Т. Болл, Эрик Гизелс и Йонас Стриукас «Регрессии временных рядов машинного обучения с приложением к прогнозированию текущей погоды», arXiv: 2005.14057.

• Бай, Дж., Эрик Гизелс и Джонатан Райт (2010), Модели пространства состояний и регрессии MIDAS, дискуссионный документ UNC.
• Эрик Гизелс, Синько, А., Валканов, Р. (2007) Регрессии MIDAS: дальнейшие результаты и новые направления. Эконометрические обзоры, 26 (1), 53–90

внешняя ссылка

• Эрик Гизелс
• Код R для регрессионных моделей MIDAS
• Код R для регрессий MIDAS машинного обучения
• Код Matlab для регрессионных моделей midas