Załóżmy, że rozważam kilka niezależnych zmiennych w celu ewentualnego włączenia do opracowywanego modelu ARIMAX. Przed dopasowaniem różnych zmiennych chciałbym odfiltrować zmienne wykazujące odwrotną przyczynowość za pomocą testu Grangera (używam granger.test
funkcji z MSBVAR
pakietu w R, chociaż uważam, że inne wtrącenia działają podobnie). Jak ustalić, ile opóźnień należy przetestować?
Funkcja R to:, granger.test(y, p)
gdzie y
jest ramką danych lub macierzą i p
jest opóźnieniem.
Hipoteza zerowa jest to, że w ciągu ostatnich Wartości X nie pomagają w przewidywaniu wartości Y .
Czy jest jakiś powód, aby nie wybierać tutaj bardzo dużego opóźnienia (innego niż utrata obserwacji)?
Zauważ, że różnicowałem już wszystkie szeregi czasowe w mojej ramce danych, w oparciu o kolejność integracji moich zależnych szeregów czasowych. (Np. Różnicowanie moich zależnych szeregów czasowych sprawiło, że stały się stacjonarne. Dlatego też raz odróżniłem wszystkie „niezależne” szeregi czasowe.)