Question

我有一个像这样的数据集：

 set.seed(242)
 df<- data.frame(month=order(seq(1,20,1),decreasing=TRUE), 
 psit=sample(1:100,20,replace=TRUE),  var=sample(1:10,20, 
 replace=TRUE))

我希望进行粗略的时间延迟分析，以了解滞后的var数据如何影响psit数据。如此粗略分析中所定义的滞后是来自每个var数据点的过去几个月的psit数据T-1，T-2，T-3等。

要查看前几个月var数据如何影响psit数据，我希望制作一个timelag向量，其中包含距离该数据偏离一个月的var数据psit变量。然后我会将timelag向量与psit向量相关联。以下是1个月抵消，2个月抵消，3个月抵消，相应数据框的示例：

 set.seed(242)
 timelag1<- cbind(df[1:12,2], df[2:13,3]) #1 month time lag
 timelag2<- cbind(df[1:12,2], df[3:14,3]) #2 month time lag
 timelag3<- cbind(df[1:12,2], df[4:15,3]) #3 month time lag

对于每个数据帧，我想使用var函数对psit数据进行lm()回归，然后输出R平方值。对于每个后续偏移将重复该过程。示例如下：

 model1<-lm(timelag1)
 summary(model1)$r.squared
 model2<-lm(timelag2)
 summary(model2)$r.squared
 model3<-lm(timelag3)
 summary(model3)$r.squared

我想创建一个循环，为240个月的大型数据集迭代此过程。然后在每个数据帧上运行lm()，然后输出r平方值。

Answer 1

尝试使用允许lm处理动物园和其他时间序列对象的dyn包：

library(dyn)

z <- read.zoo(df)
models <- lapply(1:3, function(i) dyn$lm(psit ~ lag(var, -i), tail(z, 12+i)))
sapply(models, function(x) summary(x)$r.squared)
## [1] 0.31209189 0.04923393 0.09995727

注意，通常如果一个人使用滞后k，那么一个人也包括所有较小的k值。在那种情况下：

models <- lapply(1:3, function(i) dyn$lm(psit ~ lag(var, -(1:i)), tail(z, 12+i)))
do.call("anova", models)

，并提供：

Model 1: psit ~ lag(var, -(1:i))
Model 2: psit ~ lag(var, -(1:i))
Model 3: psit ~ lag(var, -(1:i))
  Res.Df    RSS Df Sum of Sq      F Pr(>F)
1     10 8688.5                           
2      9 8221.7  1    466.73 0.4545 0.5192
3      8 8215.5  1      6.24 0.0061 0.9398

循环数据与顺序时间滞后输出线性回归系数

1 个答案: