0

我今天花了一整天来解决这个问题..请帮助我。虽然我在这里只写了一个非常简单的例子，但我的原始数据有大量的变量——大约 2000 个。因此，要运行回归，我需要选择某些变量。我确实需要开发很多模型，所以我应该自动执行此过程。

  1. 我跑stepwie。
  2. 我不知道逐步选择了多少变量。

  3. 选择变量后，我运行滚动回归进行预测。

     library(car)
 library(zoo)
 # run regression
m <- lm(mpg~., data=mtcars) 

 # run stepwise
s<-step(m, direction="both")

# select variables
variable<- attr(s$terms,"term.labels")
b<-paste(dep,paste(s, collapse="+"),sep = "~")

rollapply(mtcars, width = 2,
          FUN = function(z) coef(lm(b, data = as.data.frame(z))),
          by.column = FALSE, align = "right")

    # 这是我开发的自动模型..

    models2 <- lapply(1:11, function(x) {
  dep<-names(mtcars)[x]
  ind<-mtcars[-x]
  w<-names(ind)
  indep<-paste(dep,paste(w, collapse="+"),sep = "~")
  m<-lm(indep,data=mtcars)
  s<-step(m, direction="both")
  b<-paste(dep,paste(s, collapse="+"),sep = "~")
  rollapply(mtcars, width = 2,
          FUN = function(z) coef(lm(b, data = as.data.frame(z))),
          by.column = FALSE, align = "right")})

我想从滚动回归计算预测..

但是，如果没有关于自变量的先验知识，很难设置 data.frame。

这里有一个类似的，但在这个模型中，自变量是已知的。

4

1 回答 1

0

您不需要知道自变量！如果您提供data.frame包含所有变量的 a，该predict函数将选择必要的变量。与您链接的帖子类似，您可以这样做：

mtcars[,"int"] <- seq(nrow(mtcars)) # add variable used to choose newdata
models2 <- lapply(1:11, function(x) {
  dep <- names(mtcars)[x]
  ind <- mtcars[-x]
  w <- names(ind)
  form <- paste(dep,paste(w, collapse="+"),sep = "~")
  m <- lm(form, data=mtcars)
  s <- step(m, direction="both", trace=0) # model selection (don't print trace)
  b <- formula(s) # This is clearer than your version
  rpl <- rollapply(mtcars, width = 20, # if you use width=2, your model will always be overdetermined
          FUN = function(z) {
            nextD <- max(z[,'int'])+1 # index of row for new data
            fit <- lm(b, data = as.data.frame(z)) # fit the model 
            c(coef=coef(fit), # coefficients
              predicted=predict(fit, newdata=mtcars[nextD,])) # predict using the next row
          },
          by.column = FALSE, align = "right")
  rpl
})
于 2013-10-28T07:17:57.557 回答