R 带自回归项的GLM用于校正序列相关性

我有一个平稳的时间序列，我想拟合一个带有自回归项的线性模型来校正序列相关性，即使用公式At=c1*Bt+c2*Ct+ut，其中ut=r*ut-1+et

（ut是一个AR（1）项，用于校正误差项中的串行相关性）

有人知道在R中使用什么来建模吗

谢谢

---

卡尔

你的链接功能是什么

你描述它的方式听起来像是带有自相关误差的基本线性回归。在这种情况下，一种选择是使用

lm

获得系数的一致估计值并使用

---

一般来说，我不确定GLM的最佳答案。

该软件包将适合这些型号。如果您只想要一个带有高斯误差的线性模型，可以使用

arima（）

函数来实现，其中协变项通过

xreg

参数指定。

在R中有几种方法可以实现这一点。下面是使用R附带的两个示例

arima（）

函数包含在R中的包：stats中。该函数采用的参数形式为

order=c（p，d，q）

，您可以在其中指定自回归、积分和移动平均分量的顺序。在你的问题中，你建议你创建一个AR（1）模型来修正错误中的一阶自相关，就这样。我们可以使用以下命令执行此操作：

arima（安全带[，“驾驶员”]，顺序=c（1,0,0），
xreg=安全带[，c（“公里数”、“石油价格”、“法律”）]）

order的值指定我们需要AR（1）模型。xreg组件应该是我们希望作为回归的一部分添加的一系列其他X。输出看起来有点像侧面打开的

summary.lm（）

的输出

对于拟合回归模型的方式，另一种更为熟悉的方法是在中使用

gls（）

。以下代码将安全带时间序列对象转换为数据帧，然后提取并添加一个新列（t），该列仅为已排序时间序列对象中的计数器：

Seatbelts.df <- data.frame(Seatbelts)
Seatbelts.df$t <- 1:(dim(Seatbelts.df)[1])

---

以“相关性”开头的行是将ARMA相关性结构传递给GLS的方式。结果不会完全相同，因为默认情况下，

arima（）

使用最大似然估计模型，而

gls（）

使用受限最大似然。如果将

method=“ML”

添加到对

gls（）

的调用中，您将得到与上述ARIMA函数相同的估计值。

已从CRAN存储库中删除了GLMMarp包。你知道还有其他的软件包可以做到这一点吗？我知道的所有软件包都列在

library(nlme)
m <- gls(drivers ~ kms + PetrolPrice + law,
         data=Seatbelts.df,
         correlation=corARMA(p=1, q=0, form=~t))
summary(m)