สามทางเป็นไปได้ ขึ้นอยู่กับสถานการณ์คนใดคนหนึ่งอาจจะเหมาะสม
- การรวมเวลาหรือการรวมกลุ่ม
นี่อาจเป็นวิธีที่ง่ายที่สุดในการที่คุณแปลงข้อมูลความถี่สูง (รายเดือน) เป็นข้อมูลรายปีโดยการพูดการหาผลรวมค่าเฉลี่ยหรือค่าจุดสิ้นสุด แน่นอนข้อมูลความถี่ต่ำ (รายปี) อาจถูกแปลงเป็นข้อมูลรายเดือนโดยใช้เทคนิคการแก้ไขบางอย่าง ตัวอย่างเช่นการใช้ขั้นตอน Chow-Lin มันอาจจะมีประโยชน์ในการอ้างถึงtempdisaggแพคเกจสำหรับการนี้: http://cran.r-project.org/web/packages/tempdisagg/index.html
- Mi (xed) da (ta) s (ampling) (MIDAS)
การถดถอยของ Midas ได้รับความนิยมจาก Eric Ghysels เป็นตัวเลือกที่สอง มีสองแนวคิดหลักที่นี่ ที่แรกก็คือการจัดตำแหน่งความถี่ ประการที่สองคือการรับมือกับคำสาปของมิติโดยการระบุพหุนามที่เหมาะสม MIDAS แบบไม่ จำกัด นั้นง่ายที่สุดจากภายในคลาสของโมเดลและสามารถประมาณโดยกำลังสองน้อยสุดธรรมดา รายละเอียดเพิ่มเติมและวิธีการใช้แบบจำลองเหล่านี้ในRการใช้midasrแพคเกจสามารถพบได้ที่นี่: http://mpiktas.github.io/midasr/ สำหรับการMATLABอ้างอิงถึง Ghysels: http://www.unc.edu/~eghysels/
- วิธีการกรองคาลมาน
นี่คือวิธีการสร้างแบบจำลองพื้นที่รัฐซึ่งเกี่ยวข้องกับการรักษาข้อมูลความถี่ต่ำเช่นเดียวกับที่มี NA และเติมพวกเขาในการใช้ตัวกรองคาลมาน นี่คือความชอบส่วนตัวของฉัน แต่มันมีความยากลำบากในการระบุรูปแบบพื้นที่รัฐที่ถูกต้อง
หากต้องการข้อมูลเชิงลึกเกี่ยวกับข้อดีและข้อเสียของวิธีการเหล่านี้เพิ่มเติมโปรดดูโมเดลพื้นที่ของรัฐและการถดถอย MIDASโดย Jennie Bai, Eric Ghysels และ Jonathan H. Wright (2013)