[英]Lagged Regression of a time series
我有一个时间序列,我尝试使用滞后回归量回归因变量。 我知道我可以使用以下公式进行一次观察的滞后:
library(dyn)
set.seed(123)
y <- numeric(100)
y[1] <- 2
for (i in 2:100) {
u <- rnorm(1, mean = 0, sd = 1)
y[i] <- 1 + 0.5 * y[i-1] + u
}
z <- zoo(y)
model <- dyn$lm(z ~ lag(z, -1))
aa 函数是否有可能使用 1 到 12 个观测值的滞后回归器创建 12 个回归模型,或者我是否需要进行 12 个单独的回归以获得 OLS 回归的解?
下面我展示了一个 for 循环和purrr::map
迭代。
# OP's code
library(dyn)
#> Loading required package: zoo
#>
#> Attaching package: 'zoo'
#> The following objects are masked from 'package:base':
#>
#> as.Date, as.Date.numeric
set.seed(123)
y <- numeric(100)
y[1] <- 2
for (i in 2:100) {
u <- rnorm(1, mean = 0, sd = 1)
y[i] <- 1 + 0.5 * y[i-1] + u
}
z <- zoo(y)
# for-loop version
x <- list()
for(i in 1:12){
x[[i]] <- dyn$lm(z ~ lag(z, -i))
}
x[[9]]
#>
#> Call:
#> lm(formula = dyn(z ~ lag(z, -i)))
#>
#> Coefficients:
#> (Intercept) lag(z, -i)
#> 2.3920 -0.1101
# purrr-based version
library(purrr)
x <- map(1:12, ~ dyn$lm(z ~ lag(z, -.x)))
x[[9]]
#>
#> Call:
#> lm(formula = dyn(z ~ lag(z, -.x)))
#>
#> Coefficients:
#> (Intercept) lag(z, -.x)
#> 2.3920 -0.1101
没有purrr
的替代方案:
x <- lapply(1:12, function(x) dyn$lm(z ~ lag(z, - x)))
x_2[[9]]
#>
#> Call:
#> lm(formula = dyn(z ~ lag(z, -x)))
#>
#> Coefficients:
#> (Intercept) lag(z, -x)
#> 2.3920 -0.1101
声明:本站的技术帖子网页,遵循CC BY-SA 4.0协议,如果您需要转载,请注明本站网址或者原文地址。任何问题请咨询:yoyou2525@163.com.