在R中使用正在进行的数据进行线性回归

如何解决在R中使用正在进行的数据进行线性回归

Modell

y ~ x1 + x2 + x3

约1000行

我想做的是“逐步”进行预测

使用第0:20行预测y为21:30，然后使用11:30预测y为31:40，依此类推。

解决方法

您可以使用predict函数：

mod = lm(y ~ .,data=df[1:990,])
pred = predict(mod,newdata=df[991:1000,2:4])

编辑：循环更改训练数据的范围：

index = seq(10,990,10)
pred = matrix(nrow=10,ncol=length(index)) 

for(i in index){
  mod = lm(y ~ .,data=df[1:i,])
  pred[,i/10] = predict(mod,newdata=df[(i+1):(i+10),2:4])
  MSE[i/10] = sum((df$y[(i+1):(i+10)]-pred[,i/10])^2)}

mean(MSE)

,

您是否正在寻找类似的东西？

# set up mock data
set.seed(1)
df <- data.frame(y = rnorm(1000),x1 = rnorm(1000),x2 = rnorm(1000),x3 = rnorm(1000))

# for loop
prd <- list()

for(i in 1:970){
 
 # training data
 trn <- df[i:(i+20),]

 # test data
 tst <- df[(i+21):(i+30),]
 
 # lm model 
 mdl <- lm(y ~ x1 + x2 + x3,trn)

 # append a list of data.frame with both predicted and actual values
 # for later confrontation
 prd[[i]] <- data.frame(prd = predict(mdl,tst[-1]),act = tst[[1]])
 
}

# your list
prd

---

您也可以使用slider软件包尝试一些更奇特的事情：

# define here your model and how you wanna handle the preditions
sliding_lm <- function(...,frm,n_trn,n_tst){

 df <- data.frame(...)
 trn <- df[1:n_trn,]
 tst <- df[n_trn+1:n_tst,]
 
 mdl <- lm(y ~ x1 + x2 + x3,trn)
 data.frame(prd = predict(mdl,act = tst[[1]])
 
}

n_trn <- 20 # number of training obs
n_tst <- 10 # number of test obs
frm <- y ~ x1 + x2 + x3 # formula of your model

prd <- slider::pslide(df,sliding_lm,frm = frm,n_trn = n_trn,n_tst = n_tst,.after = n_trn + n_tst,.complete = TRUE)

请注意，列表中的最后30个条目为NULL，因为您仅查看完整的窗口[经过培训和测试的30个观察结果]