Dynlm R paketi ile 1 adım önde tahminler

Biri bağımlı değişkenin gecikmesi olan dynlm paketini kullanarak birkaç bağımsız değişken içeren bir modele uyuyorum.

Bağımsız değişkenlerim için 1 adım önde tahminlerim olduğunu varsayarsak, bağımlı değişkenlerim için 1 adım önde tahminler nasıl alabilirim?

İşte bir örnek:

library(dynlm)

y<-arima.sim(model=list(ar=c(.9)),n=10) #Create AR(1) dependant variable
A<-rnorm(10) #Create independant variables
B<-rnorm(10)
C<-rnorm(10)
y<-y+.5*A+.2*B-.3*C #Add relationship to independant variables 
data=cbind(y,A,B,C)

#Fit linear model
model<-dynlm(y~A+B+C+L(y,1),data=data)

#Forecast
A<-c(A,rnorm(1)) #Assume we already have 1-step forecasts for A,B,C
B<-c(B,rnorm(1))
C<-c(C,rnorm(1))
y=window(y,end=end(y)+c(1,0),extend=TRUE)
newdata<-cbind(y,A,B,C)
predict(model,newdata)

Ve işte çalışan dyn paketini kullanan bir örnek.

library(dyn)

#Fit linear model
model<-dyn$lm(y~A+B+C+lag(y,-1),data=data)

#Forecast
predict(model,newdata)the dyn packages, which works:

Tebrikler, bir hata buldunuz. dynlmGecikmeli değişkenler kullanılırsa yeni verilerle ilgili tahmin bozulur. Neden çıktısına bakmak için

predict(model)
predict(model,newdata=data)

Sonuçlar aynı olmalı, ancak değil. newdataBağımsız değişken olmadan , predictişlev temel olarak modelöğeyi dynlmçıktıdan alır. newdataArgüman ile predictyeni model matrisi oluşturmaya çalışır newdata. Bu, verilen formülü ayrıştırmayı içerdiğinden dynlmve formülün Lyalnızca işlev içinde dahili olarak tanımlanan bir işleve sahip dynlmolduğundan, yanlış model matrisi oluşur. Hata ayıklamaya çalışırsanız, newdataargüman sağlandığında gecikmeli bağımlı değişkenin gecikmediğini göreceksiniz .

Yapabileceğiniz şey bağımlı değişkeni geciktirmek ve içine eklemek newdata. İşte bu yaklaşımı gösteren kod. Kullandığım set.seedkolayca tekrarlanabilir olurdu böylece.

library(dynlm)

set.seed(1)
y<-arima.sim(model=list(ar=c(.9)),n=10) #Create AR(1) dependant variable
A<-rnorm(10) #Create independant variables
B<-rnorm(10)
C<-rnorm(10)
y<-y+.5*A+.2*B-.3*C #Add relationship to independant variables 
data=cbind(y,A,B,C)

#Fit linear model
model<-dynlm(y~A+B+C+L(y,1),data=data)

Buggy davranışı:

> predict(model)
       2        3        4        5        6        7        8        9       10 
3.500667 2.411196 2.627915 2.813815 2.468595 1.733852 2.114553 1.423225 1.470738 
> predict(model,newdata=data)
        1         2         3         4         5         6         7         8         9        10 
2.1628335 3.7063579 2.9781417 2.1374301 3.2582376 1.9534558 1.3670995 2.4547626 0.8448223 1.8762437 

Biçimlendirmek newdata

#Forecast fix.
A<-c(A,rnorm(1)) #Assume we already have 1-step forecasts for A,B,C
B<-c(B,rnorm(1))
C<-c(C,rnorm(1))

newdata<-ts(cbind(A,B,C),start=start(y),freq=frequency(y))

newdata<-cbind(lag(y,-1),newdata)
colnames(newdata) <- c("y","A","B","C")

Tahmini model uyumluluğuyla karşılaştırın:

> predict(model)
       2        3        4        5        6        7        8        9       10 
3.500667 2.411196 2.627915 2.813815 2.468595 1.733852 2.114553 1.423225 1.470738 
> predict(model,newdata=newdata)
       1        2        3        4        5        6        7        8        9       10       11 
      NA 3.500667 2.411196 2.627915 2.813815 2.468595 1.733852 2.114553 1.423225 1.470738 1.102367 

Geçmiş veriler için görebileceğiniz gibi tahmin çakışıyor ve son öğe 1 adım ileriye dönük tahmin içeriyor.

@ Md-azimul-haque'nin isteğini takiben, 4 yıllık kaynak kodumu kazdım ve aşağıdaki uygun adlandırılmış işlevi buldum. @ Md-azimul-haque'ın aradığından emin değil misiniz?

# pass in training data, test data,
# it will step through one by one
# need to give dependent var name, so that it can make this into a timeseries
predictDyn <- function( model, train, test, dependentvarname ) {
    Ntrain <- nrow(train)
    Ntest <- nrow(test)
    # can't rbind ts's apparently, so convert to numeric first
    train[,dependentvarname] <- as.numeric(train[,dependentvarname])
    test[,dependentvarname] <- NA
    testtraindata <- rbind( train, test )
    testtraindata[,dependentvarname] <- ts( as.numeric( testtraindata[,dependentvarname] ) )
    for( i in 1:Ntest ) {
       cat("predicting i",i,"of",Ntest,"\n")
       result <- predict(model,newdata=testtraindata,subset=1:(Ntrain+i-1))
       testtraindata[Ntrain+i,dependentvarname] <- result[Ntrain + i + 1 - start(result)][1]
    }
    testtraindata <- testtraindata[(Ntrain+1):(Ntrain + Ntest),dependentvarname]
    names(testtraindata) <- 1:Ntest
    return( testtraindata )
}