Comment diminuer la perte d'informations des variables de décalage?

J'utilise un modèle de décalage distribué pour analyser les données d'une série chronologique. La durée de la période d'étude est de 18 ans, et l'observation est des données annuelles. Lorsqu'on inclut un effet de décalage d'un an, la première année de la variable de décalage devient manquante. Ensuite, un effet de décalage de 2 ans fait disparaître les deux premières données de la variable de décalage, et ainsi de suite.

Je vais analyser cinq effets de décalage dans mes études, mais cinq variables de décalage ont causé 5 données manquantes. Je suppose que l'imputation multiple peut m'aider à surmonter la perte d'information dans ces variables de décalage, mais le résultat de l'imputation n'est pas raisonnable.

Y a-t-il une meilleure idée pour imputer les données manquantes dans les variables de retard?

time-series missing-data

— cchien
source

quel schéma de décalage distribué particulier implémentez-vous (Almond ou Koyck ou autre)? J'ai toujours pensé que c'est comme ça, y compris les décalages signifie la perte d'informations, à la fois par des paramètres supplémentaires pour estimer et diminuer les degrés de liberté. Eh bien, vous pouvez prévoir à l'envers les valeurs (par lissage exponentiel ou similaire), mais je ne le ferais pas personnellement.

— Dmitrij Celov

Pourquoi testez-vous différents effets de décalage? Pourquoi n'essayez-vous pas d'IDENTIFIER le modèle à l'aide de la fonction de corrélation croisée? Le processus de Box-Jenkins consiste à identifier, estimer et prévoir.

— Tom Reilly

Vous ne pouvez pas vous empêcher de perdre des informations lorsque vous utilisez des décalages. Je ne vois aucun moyen de contourner cela, sauf pour utiliser des décalages plus courts.

— Zach
source