R:构建VAR滞后结构

Question

我正在寻找一个函数或代码，它可以创建VAR(p(模型的滞后结构，因为我需要它在上面运行一些其他函数。我写了一个函数，在单变量情况下创建一个时间序列的滞后结构矩阵，但我不知道为多变量情况写一个函数。或者它在R中有任何实现吗？

一个简短的可重复的例子是：的三维VAR

Y <- matrix(1:30, ncol=3)

并且假设我想要构造三维VAR(2(模型的滞后矩阵

编辑

最终目标是用glmnet软件包估计5次VAR(20(套索回归

Answer 1

我正在搜索一个函数或代码，它可以创建VAR(p(模型的滞后结构。。。

这是一种

n <- 1000
p <- 3
set.seed(1)
Y <- matrix(rnorm(n * p), ncol = p)
X <- cbind(lag_1 = rbind(NA, head(Y, -1)), lag_2 = rbind(NA, NA, head(Y, -2)))
head(X)
#R         [,1]    [,2]     [,3]    [,4]    [,5]    [,6]
#R [1,]      NA      NA       NA      NA      NA      NA
#R [2,] -0.6265  1.1350 -0.88615      NA      NA      NA
#R [3,]  0.1836  1.1119 -1.92225 -0.6265  1.1350 -0.8861
#R [4,] -0.8356 -0.8708  1.61970  0.1836  1.1119 -1.9223
#R [5,]  1.5953  0.2107  0.51927 -0.8356 -0.8708  1.6197
#R [6,]  0.3295  0.0694 -0.05585  1.5953  0.2107  0.5193
head(Y)
#R         [,1]    [,2]     [,3]
#R [1,] -0.6265  1.1350 -0.88615
#R [2,]  0.1836  1.1119 -1.92225
#R [3,] -0.8356 -0.8708  1.61970
#R [4,]  1.5953  0.2107  0.51927
#R [5,]  0.3295  0.0694 -0.05585
#R [6,] -0.8205 -1.6626  0.69642

您可以使用它来执行条件对数似然估计，如下

colnames(X) <- c(paste0("X_lag_1", 1:3), paste0("X_lag_2", 1:3))
lm.fit(x = X[-(1:2), ], y = Y[-(1:2), ])$coefficients
#R               [,1]       [,2]     [,3]
#R X_lag_11 -0.041859  0.0048129 -0.02624
#R X_lag_12 -0.013648  0.0005279 -0.02306
#R X_lag_13  0.037641 -0.0087508  0.05377
#R X_lag_21 -0.033324  0.0637967 -0.05455
#R X_lag_22 -0.007617  0.0384764 -0.08435
#R X_lag_23  0.006812 -0.0420907 -0.02983

---

更新

你可以制作一个类似的函数

n <- 1000
p <- 2
set.seed(1)
Y <- matrix(rnorm(n * p), ncol = p)
lag_series <- function(Y, max_lag)
do.call(cbind, lapply(1:max_lag, function(i)
do.call(rbind, c(as.list(rep(NA, i)), list(head(Y, -i))))))
head(lag_series(Y, 1))
#R            [,1]        [,2]
#R [1,]         NA          NA
#R [2,] -0.6264538  1.13496509
#R [3,]  0.1836433  1.11193185
#R [4,] -0.8356286 -0.87077763
#R [5,]  1.5952808  0.21073159
#R [6,]  0.3295078  0.06939565
head(lag_series(Y, 2))
#R          [,1]        [,2]       [,3]       [,4]
#R [1,]         NA          NA         NA         NA
#R [2,] -0.6264538  1.13496509         NA         NA
#R [3,]  0.1836433  1.11193185 -0.6264538  1.1349651
#R [4,] -0.8356286 -0.87077763  0.1836433  1.1119318
#R [5,]  1.5952808  0.21073159 -0.8356286 -0.8707776
#R [6,]  0.3295078  0.06939565  1.5952808  0.2107316
head(lag_series(Y, 3))
#R             [,1]        [,2]       [,3]       [,4]       [,5]       [,6]
#R [1,]         NA          NA         NA         NA         NA         NA
#R [2,] -0.6264538  1.13496509         NA         NA         NA         NA
#R [3,]  0.1836433  1.11193185 -0.6264538  1.1349651         NA         NA
#R [4,] -0.8356286 -0.87077763  0.1836433  1.1119318 -0.6264538  1.1349651
#R [5,]  1.5952808  0.21073159 -0.8356286 -0.8707776  0.1836433  1.1119318
#R [6,]  0.3295078  0.06939565  1.5952808  0.2107316 -0.8356286 -0.8707776
#...