R / 具有扩展数据框的滚动回归

Question

你好，我目前正在使用以下代码进行回归分析：

for (i in 1:ncol(Ret1)){
  r2.out[i]=summary(lm(Ret1[,1]~Ret1[,i]))$r.squared 
} 
r2.out

此代码针对第一列运行数据框中每一列的简单 OLS 回归，并提供这些回归的 R^2。此刻回归使用列的所有数据点。 我现在需要的是，代码不是使用列中的所有数据点，而是使用滚动的window数据点。因此，他计算了整个时间范围内 30 天的滚动 window R^2。输出是一个矩阵，每个 (1,i) 对的每个滚动 window 的所有 R^2。

此代码执行滚动回归部分，但不对每个 (1,i) 对进行回归。

dolm <- function(x) summary(lm(Ret1[,1]~Ret1[,i]))$r.squared 
        rollapplyr(Ret1, 30, dolm, by.column = FALSE)

非常感谢您提供的任何帮助。

Answer 1

使用内置的 anscombe 数据框，我们将 y1 列与 x1 和 x2 等进行回归。我们在这里使用 3 的宽度说明的目的。

xnames 应设置为 x 变量的名称。在 anscombe 数据集中，以 x 开头的列名是 x 变量。作为另一个例子，如果除了第一列之外所有列都是 x 变量，那么可以使用 xnames <- names(DF)[-1]。

我们定义了一个 R 平方函数 rsq，它使用索引 ix 和 x 变量名称 xname。然后我们 sapply 在 xnames 上，并且每个 rollapply 在索引 1:n.

上

library(zoo)

xnames <- grep("x", names(anscombe), value = TRUE)
n <- nrow(anscombe)
w <- 3
rsq <- function(ix, xname) summary(lm(y1 ~., anscombe[c("y1", xname)], subset = ix))$r.sq
sapply(xnames, function(xname) rollapply(1:n, w, rsq, xname = xname ))

给出维度 n - w + 1 的以下结果（xnames）：

                x1           x2           x3        x4
 [1,] 2.285384e-01 2.285384e-01 2.285384e-01 0.0000000
 [2,] 3.591782e-05 3.591782e-05 3.591782e-05 0.0000000
 [3,] 9.841920e-01 9.841920e-01 9.841920e-01 0.0000000
 [4,] 5.857410e-01 5.857410e-01 5.857410e-01 0.0000000
 [5,] 9.351609e-01 9.351609e-01 9.351609e-01 0.0000000
 [6,] 8.760332e-01 8.760332e-01 8.760332e-01 0.7724447
 [7,] 9.494869e-01 9.494869e-01 9.494869e-01 0.7015512
 [8,] 9.107256e-01 9.107256e-01 9.107256e-01 0.3192194
 [9,] 8.385510e-01 8.385510e-01 8.385510e-01 0.0000000

变化

1) 也可以颠倒 rollapply 和 sapply 的顺序，将最后一行代码替换为：

rollapply(1:n, 3, function(ix) sapply(xnames, rsq, ix = ix))

2) 另一种变体是用以下单个语句替换 rsq 和 sapply/rollapply 行的定义。它可能有点难读，所以您可能更喜欢第一个解决方案，但它确实需要一个简化——即 xname 不再需要是内部匿名函数的显式参数（它取代了 rsq 以上):

sapply(xnames, function(xname) rollapply(1:n, 3, function(ix) 
    summary(lm(y1 ~., anscombe[c("y1", xname)], subset = ix))$r.sq))

更新： 固定线路现在是 n <- nrow(anscombe)

R / 具有扩展数据框的滚动回归

R / Rolling Regression with extended Data Frame

regression

r