Siguen tres posibilidades. Dependiendo de la situación, cualquiera podría ser adecuado.
- Agregación o desagregación de tiempo.
Este es quizás el enfoque más simple en el que convierte los datos de alta frecuencia (mensualmente) en datos anuales, por ejemplo, tomando sumas, promedios o valores de fin de período. Los datos de baja frecuencia (anual) podrían, por supuesto, convertirse en datos mensuales utilizando alguna técnica de interpolación; por ejemplo, usando el procedimiento Chow-Lin. Puede ser útil consultar el tempdisaggpaquete para esto: http://cran.r-project.org/web/packages/tempdisagg/index.html .
- Mi (xed) da (ta) s (amplificación) (MIDAS).
Las regresiones de Midas, popularizadas por Eric Ghysels, son una segunda opción. Hay dos ideas principales aquí. El primero es la alineación de frecuencia. El segundo es abordar la maldición de la dimensionalidad especificando un polinomio apropiado. El modelo MIDAS sin restricciones es el más simple dentro de la clase de modelos y puede estimarse por mínimos cuadrados ordinarios. Puede encontrar más detalles y cómo implementar estos modelos al Rusar el midasrpaquete aquí: http://mpiktas.github.io/midasr/ . Para MATLAB, consulte la página de Ghysels: http://www.unc.edu/~eghysels/ .
- Métodos de filtro de Kalman.
Este es un enfoque de modelado de espacio de estado, que implica tratar los datos de baja frecuencia como que contienen NA y completarlos con un filtro de Kalman. Esta es mi preferencia personal, pero tiene la dificultad de especificar el modelo correcto de espacio de estado.
Para una visión más profunda de los pros y los contras de estos métodos, consulte Modelos espaciales estatales y regresiones MIDAS de Jennie Bai, Eric Ghysels y Jonathan H. Wright (2013).