R：使用动态大小的数组构建线性模型的循环结构

Question

在循环的每次迭代中，我想使用更多的历史数据来拟合线性模型，并查看例如提前一步预测与实际情况的比较。代码应该是不言自明的。问题似乎是 Dependent 和 Independent 在第一次迭代后大小固定（我想从 10 个数据点开始，如代码所示），而我希望它们动态调整大小。

output1 <- rep(0, 127)
output2 <- rep(0, 127)
ret <- function(x, y)
{
  for (i in 1:127)
  {
    Dependent <- y[1:(9+i)]
    Independent <- x[1:(9+i)]
    fit <- lm(Dependent ~ Independent)
    nextInput <- data.frame(Independent = x[(10+i)])
    prediction <- predict(fit, nextInput, interval="prediction")
    output1[i] <- prediction[2]
    output2[i] <- prediction[3]
  }
}

Answer 1

这是一个想法，如果我接近你的意图，请告诉我：

set.seed(42)
n <- 100
x <- rnorm(n)
head(x)
# [1]  1.3709584 -0.5646982  0.3631284  0.6328626  0.4042683 -0.1061245
y <- runif(n)
head(y)
# [1] 0.8851177 0.5171111 0.8519310 0.4427963 0.1578801 0.4423246

ret <- lapply(10:n, function(i) {
  dep <- y[1:i]
  indep <- x[1:i]
  fit <- lm(dep ~ indep)
  pred <- 
    if (i < n) {
      predict(fit, data.frame(indep = x[i+1L]), interval = "prediction")
    } else NULL
  list(fit = fit, pred = pred)
})

请注意，我正在制作一个 models/predictions 的列表，而不是使用 for 循环。尽管不完全相同，this answer 很好地解释了为什么这可能是个好主意。

其中一次运行的模型和预测：

ret[[50]]
# $fit
# Call:
# lm(formula = dep ~ indep)
# Coefficients:
# (Intercept)        indep  
#     0.44522      0.02691  
# $pred
#         fit        lwr      upr
# 1 0.4528911 -0.1160787 1.021861
summary(ret[[50]]$fit)
# Call:
# lm(formula = dep ~ indep)
# Residuals:
#      Min       1Q   Median       3Q      Max 
# -0.42619 -0.22178 -0.00004  0.15550  0.53774 
# Coefficients:
#             Estimate Std. Error t value Pr(>|t|)    
# (Intercept)  0.44522    0.03667  12.141   <2e-16 ***
# indep        0.02691    0.03186   0.845    0.402    
# ---
# Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
# Residual standard error: 0.2816 on 57 degrees of freedom
# Multiple R-squared:  0.01236, Adjusted R-squared:  -0.004966 
# F-statistic: 0.7134 on 1 and 57 DF,  p-value: 0.4018

R：使用动态大小的数组构建线性模型的循环结构

R: Loop structure to use dynamically sized arrays to build linear models

arrays

loops

regression

r

dynamic