ARDL

Das ARDL-Modell (Autoregressive Distributed Lag) ähnelt dem univariaten ARIMA-Modell, bietet jedoch die Option, es für mehrere Variablen gleichzeitig zu verwenden.

In dem Artikel über das ARIMA-Modell ein einfaches autoregressives Modell mit p lags wurde geschrieben als

woher αiist der Koeffizient für die Verzögerung ich und δtist der Fehlerbegriff.

Ein solches Modell kann auch ein oder mehrere verwenden exogen Variablen X, das genauso in das Modell eingeht wie die Verzögerungen der Hauptvariablen. Das kann geschrieben werden als

wo wir eine einzige exogene Variable haben mit k verzögert. Diese Verzögerungen werden als die bezeichnet verteilt Verzögerungen des Modells, was ihm seinen Namen gibt.

Wir können jetzt sehen, dass für eine Prognose, die drei Schritte voraus ist, die exogenen Variablen bis zum T+3, was sie normalerweise nicht sind. Das ARDL-Modell funktioniert, indem es univariate ARIMA-Modelle für jeden Indikator erstellt, um die benötigten Prognosewerte zu ermitteln. Diese werden dann verzögert und fließen in das Hauptmodell ein, das wiederum ein ARIMA-Modell ist, das sowohl AR- als auch MA-Terme sowie die Verarbeitung instationärer Daten ermöglicht.

Wie passt Indicio zu einem ARDL-Modell?

Die Auswahl der AR-, MA- und Differenzierungsreihenfolge für jedes ARIMA-Modell innerhalb eines ARDL-Modells ist eine Herausforderung, da es viele Optionen gibt. Für die ARIMA-Modelle der einzelnen Indikatorvariablen werden dieselben Methoden wie im univariaten ARIMA-Modell verwendet.

Für die Auswahl der Lag-Reihenfolge der Indikatoren im Hauptmodell und auch der AR-Reihenfolge des Hauptmodells wird eine gemeinsame Bewertung vorgenommen, bei der eine große Anzahl von Optionen bewertet und eine Auswahl auf der Grundlage des besten AIC-Werts getroffen wird. Wie in einigen anderen Artikeln erwähnt, benachteiligt AIC das Hinzufügen weiterer Parameter, wenn dadurch die Modellanpassung nicht ausreichend verbessert wird.

‍