1-Schritt-Voraus-Vorhersagen mit dem Dynlm R-Paket

Ich habe ein Modell mit mehreren unabhängigen Variablen, von denen eine die Verzögerung der abhängigen Variablen ist, mithilfe des Dynlm-Pakets angepasst.

Angenommen, ich habe 1-Schritt-Voraus-Prognosen für meine unabhängigen Variablen. Wie erhalte ich 1-Schritt-Voraus-Prognosen für meine abhängigen Variablen?

Hier ist ein Beispiel:

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)

Und hier ist ein Beispiel mit dem Dyn-Paket, das funktioniert.

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:

Herzlichen Glückwunsch, Sie haben einen Fehler gefunden. Die Vorhersage für dynlmmit neuen Daten wird unterbrochen, wenn verzögerte Variablen verwendet werden. Um zu sehen, warum schauen Sie sich die Ausgabe von an

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

Die Ergebnisse sollten gleich sein, sind es aber nicht. Ohne newdataArgument predicterfasst die Funktion grundsätzlich ein modelElement aus der dynlmAusgabe. Mit newdataArgument wird predictversucht, eine neue Modellmatrix aus zu bilden newdata. Da dies das Parsen der gelieferten Formel beinhaltet dynlmund die Formel eine Funktion hat L, die nur intern in der Funktion definiert ist dynlm, wird die falsche Modellmatrix gebildet. Wenn Sie versuchen zu debuggen, werden Sie feststellen, dass die verzögerte abhängige Variable im Fall der angegebenen newdataArgumentation nicht verzögert wird.

Sie können die abhängige Variable verzögern und in die Variable aufnehmen newdata. Hier ist der Code, der diesen Ansatz veranschaulicht. Ich benutze set.seedes also leicht reproduzierbar.

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)

Hier ist das Buggy-Verhalten:

> 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 

Bilde die 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")

Vergleichen Sie die Prognose mit der Modellanpassung:

> 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 

Wie Sie für historische Daten sehen können, stimmt die Prognose überein und das letzte Element enthält die Prognose für einen Schritt voraus.

Auf Anfrage von @ md-azimul-haque habe ich meinen 4 Jahre alten Quellcode durchgesehen und die folgende entsprechend benannte Funktion gefunden. Sie sind sich nicht sicher, ob @ md-azimul-haque danach sucht?

# 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 )
}