तीन संभावनाओं का पालन करें। स्थिति के आधार पर, कोई भी उपयुक्त हो सकता है।
- समय एकत्रीकरण या डिस-एग्रीगेशन।
यह शायद सबसे सरल तरीका है जिसमें आप उच्च-आवृत्ति डेटा (मासिक) को वार्षिक डेटा में, कहने के लिए, औसत, या अवधि मूल्यों के अंत में परिवर्तित करते हैं। कम आवृत्ति (वार्षिक) डेटा, निश्चित रूप से, कुछ प्रक्षेप तकनीक का उपयोग करके मासिक डेटा में परिवर्तित किया जा सकता है; उदाहरण के लिए, चाउ-लिन प्रक्रिया का उपयोग करना। इसके लिए tempdisaggपैकेज को संदर्भित करना उपयोगी हो सकता है : http://cran.r-project.org/web/packages/tempdisagg/index.html ।
- Mi (xed) दा (टा) s (एम्पलिंग) (MIDAS)।
एरिक गाइसल द्वारा लोकप्रिय, मिडास रेजिमेंट एक दूसरा विकल्प है। यहां दो मुख्य विचार हैं। पहली आवृत्ति संरेखण है। दूसरा एक उपयुक्त बहुपद निर्दिष्ट करके आयामीता के अभिशाप से निपटने के लिए है। अप्रतिबंधित MIDAS मॉडल मॉडलों के वर्ग के भीतर से सबसे सरल है और इसका अनुमान साधारण कम से कम वर्गों द्वारा लगाया जा सकता है। अधिक विवरण और पैकेज Rका उपयोग करके इन मॉडलों को कैसे लागू midasrकिया जाए, यहां पाया जा सकता है: http://mpiktas.github.io/midas// । के लिए MATLAB, Ghysels पृष्ठ देखें: http://www.unc.edu/~eghysels/ ।
- कलमन फिल्टर के तरीके।
यह एक राज्य-अंतरिक्ष मॉडलिंग दृष्टिकोण है, जिसमें कम आवृत्ति वाले डेटा को NAs युक्त माना जाता है और एक कलमन फ़िल्टर का उपयोग करके उन्हें भरना शामिल है। यह मेरी व्यक्तिगत प्राथमिकता है, लेकिन इसमें सही राज्य-स्थान मॉडल को निर्दिष्ट करने की कठिनाई है।
इन विधियों के पेशेवरों और विपक्षों के बारे में अधिक गहराई से देखने के लिए, जेनी बाई, एरिक घीसेल्स और जोनाथन एच। राइट (2013) द्वारा स्टेट स्पेस मॉडल्स और MIDAS रेजिमेंट्स का उल्लेख करें।