R语言tempdisagg时间离散分解的置信区间与结果拆分咨询
时间离散分解的置信区间获取与分量拆分
置信区间实现方案
- 核心结论:可在tempdisagg包框架下实现和JDemetra+计算逻辑一致的置信区间输出。tempdisagg本身未将置信区间计算封装进默认
predict()方法,但模型拟合过程已内置计算所需的全部统计量,无需重新拟合即可提取计算。 - 计算原理:Chow-Lin最大对数似然方法本质是GLS框架下的线性估计,高频季度估计值是原始低频年度序列的线性组合,其协方差矩阵可通过解析公式推导,无需依赖bootstrap或重采样方法。
- 具体实现步骤:
- 从拟合对象中提取季度估计值的协方差矩阵,其对角线元素为每个季度点估计的方差,开平方后得到对应估计标准误。
- 基于模型渐近正态假设,用点估计值加减1.96倍标准误,即可得到和JDemetra+默认计算逻辑一致的95%置信区间。
- 对应实现代码:
# 提取季度估计的协方差矩阵 vcov_est <- ML$models$chow_lin_maxlog$vcov.est se_quarter <- sqrt(diag(vcov_est)) point_est <- as.numeric(predict(ML)) # 构造95%置信区间 ci_95 <- data.frame( lower = point_est - 1.96 * se_quarter, estimate = point_est, upper = point_est + 1.96 * se_quarter ) - R生态简化方案:如果不想手动提取对象内嵌元素,可搭配使用
disaggR包的接口,其分解方法的fitted()函数直接支持se.fit = TRUE参数返回标准误,且输出结果和tempdisagg的计算逻辑完全兼容。 - 注意点:该方法计算的置信区间和JDemetra+无结果差异,二者均采用模型渐近协方差矩阵构造区间,不存在方法学层面的区别。
分解结果的分量拆分
- 核心结论:完全可以按照JDemetra+的逻辑将分解结果拆分为回归分量、平滑/基准化分量两部分,分量的可加性是Chow-Lin方法的固有属性,无需额外计算。
- 拆分逻辑对应:
- 回归分量:模型通过高频辅助变量、利用GLS估计系数计算得到的高频拟合值,对应JDemetra+输出的“回归贡献”部分,不包含残差序列相关的调整内容。
- 平滑/基准化分量:为满足低频序列的加总约束、适配残差自相关结构,在回归分量基础上叠加的序列平滑调整项,对应JDemetra+输出的“平滑基准调整”部分,这部分调整保证分解后的高频序列严格满足年度加总值等于原始观测值的约束。
- 具体提取方法:
- 回归分量可直接从拟合对象的子模型元素中提取:
reg_component <- ML$models$chow_lin_maxlog$fitted.regression - 平滑/基准分量 = 最终季度估计值 - 回归分量,由于整个分解过程是线性可加的,两部分无交叉重叠。
- 回归分量可直接从拟合对象的子模型元素中提取:
- 注意点:该拆分逻辑对所有Chow-Lin的残差变体(AR(1)、随机游走、白噪声)均成立,不会因为残差结构的变化破坏分量的可加性。
可运行示例修正
注:示例代码存在一处可导致运行报错的笔误,辅助季度序列需匹配季度高频频率,修正后的代码如下:
DataY <- ts(c(rnorm(10)), start = 1998, frequency = 1) # 原笔误:frequency = 1 修正为 frequency = 4 DataQ <- ts(c(rnorm(40)), start=1998, frequency = 4) ML <- td(DataY~DataQ + 0, conversion = "sum", to = "quarterly", method= "chow-lin-maxlog") predict(ML)
内容的提问来源于stack exchange,提问作者mveh
相关产品推荐
相关产品推荐

