如何使用线性回归模型对新的 x 值预测 y 值

Question

我有一个多元线性回归模型：

model <- lm(y ~ a + b + c, data = df)

假设 y、a、b 和 c是2000-2017年的季度数据。

Date    y    a    b    c
2000Q1  2    1.5  1.3  8.1
2000Q2  2.3  1.8  1.2  7.6
.       .    .    .    .
.       .    .    .    .
.       .    .    .    .
.       .    .    .    .
2017Q4  8.7  3.5  5.6  3.2

现在我有了线性模型，我想通过使用 a、 的新数据来预测 y b 和 c 的时间段为 2017-2020，我们称它们为 a2、b2，以及 c2。

Date    a2   b2   c2
2017Q4  3.5  5.6  3.2
2018Q1  4.1  6.3  3.0
.       .    .    .
.       .    .    .
.       .    .    .
2020Q4  5.6  7.8  2.2

如何使用我之前的一组 historical/actual 数据（a、b 和 c)，并根据 x 的较新值预测 y (a2, b2 ，以及 c2)?

我已经尝试使用 predict() 和 predict.lm() 函数，但是没有任何结果给我想要的结果。我可以手动输入线性模型并创建这些预测，但我确信有一种更有效的方法可以做到这一点。

更新

这是我正在做的一个小例子：

df <- data.frame(y = c(1, 2, 3, 4, 5, 6, 7, 8, 9, 10),
                 a = c(2, 2.3, 2.6, 2.9, 2.4, 2.6, 3.0, 3.2, 3.9, 3.7),
                 b = c(9, 8.7, 9.1, 7.8, 8.2, 8, 6.9, 7.8, 9.1, 5.7))

attach(df)

model <- lm(y ~ a + b)

df2 <- data.frame(a2 = c(3.7, 4.0, 5.2, 5.6, 5.8, 6),
              b2 = c(5.7, 5.5, 5.3, 5.1, 4.9, 4.7))

predict(model, newdata = df2)

我不断收到带有警告消息的常规模型结果：

1         2         3         4         5         6         7         8         
9        10 
 1.409122  2.807886  3.690647  5.826560  3.569001  4.501510  6.882534  
7.004180  8.793667 10.514892 
Warning message:
'newdata' had 6 rows but variables found have 10 rows

Answer 1

已更新以匹配添加的示例

新数据中的名称必须与旧数据/线性模型中的名称匹配。

使用更新后的示例，使 df2 中的名称在运行预测之前与 df 中的名称匹配。

names(df2) = c("a","b")
predict(model, newdata = df2)

如何使用线性回归模型对新的 x 值预测 y 值

How to forecast y values using linear regression model on new x values

r

stress-testing

linear-regression

forecasting