행렬 및 행렬의 곱셈에 관한 문제가

매년 풀링 된 회귀를 수행하여 예측 모델을 개발했기 때문에 다양한 모델 계수가 있습니다. lapply (myregressions, coef)를 사용하여 다른 계수를 목록에 저장 했으므로 모델 계수를 사용하여 하위 샘플 (SS)에 대한 예측을하고 싶습니다.행렬 및 행렬의 곱셈에 관한 문제가

내가 이렇게 주제와 DF (SS) 나는 예측을하고 싶습니다, 그리고 매년 다른 모델 계수와 "목록"이 :

SS 

    id time  inc  ta div  acc dd  neg 
9 1 1995 10.3995 234.4126 2.5155 3.6462 2.5155 0 
10 1 1996 10.6098 245.7136 2.7936 -3.8121 2.7936 0 
11 1 1997 9.9005 271.3418 2.6359 13.7573 2.6359 0 
12 1 1998 8.4780 231.6341 2.6580 -19.0560 2.6580 0 
13 1 1999 14.2969 293.2106 2.6992 11.7852 2.6992 0 
14 1 2000 159.1115 374.4408 2.7745 223.5071 2.7745 0 
15 1 2001 -10.2167 315.3258 4.2379 5.8569 4.2379 1 
16 1 2002 -10.8737 207.4538 3.2023 -36.4547 3.2023 1 
17 1 2003 10.7719 195.9657 3.0622 -12.2817 3.0622 0 
18 1 2004 4.6669 269.0332 3.7677 -6.0882 3.7677 0 
19 1 2005 5.5542 235.2783 3.9230 -10.7087 3.9230 0 
20 1 2006 5.2375 300.8294 3.8623 -18.7482 3.8623 0 
21 1 2007 15.1524 305.0057 3.8131 -9.9801 3.8131 0 
22 1 2008 20.8307 307.4744 4.3381 -25.4373 4.3381 0 
23 1 2009 33.5010 329.3090 5.2710 -16.7450 5.2710 0 
24 1 2010 4.5180 344.7620 5.5650 -15.9290 5.5650 0 
25 1 2011 5.7310 330.4060 6.1180 -3.2060 6.1180 0 
26 1 2012 9.4360 505.8150 2.8510 -14.9710 2.8510 0 
73 3 2007 5.4877 240.1564 1.8500 29.3132 1.8500 0 
74 3 2008 14.9182 222.5949 0.0000 -76.0916 0.0000 0

다음과 같은 모델 계수를 :

> COEF 
      Year_1995 Year_1996 Year_1997 Year_1998 Year_1999 Year_2000 Year_2001 Year_2002 Year_2003 Year_2004 Year_2005 
(Intercept) -1.416094e+02 -82.29723152 -34.48711235 -6.75285267 39.78186661 51.89597510 23.17918777 6.86072515 5.23465497 -5.08239969 -7.6220984 
inc   1.117437e-03 -0.02122991 -0.02947603 -0.05828917 -0.16953822 -0.17572781 0.04419688 0.35492978 0.16529339 0.38122280 0.7805206 
ta   9.491843e-02 0.07728032 0.08736790 0.07941649 0.05278938 0.04884008 0.04428136 0.02858724 0.02813507 0.01588882 0.0168884 
div   -2.110746e+00 -0.41682760 -0.28204986 0.63646277 2.40335454 2.47957711 1.75339550 1.15411677 1.85791345 1.43288590 0.2259217 
acc   -2.925896e-01 -0.08831186 0.06483823 0.15384923 0.15693459 0.08828990 -0.04028631 -0.04648089 0.03157282 -0.23257706 -0.2823107 
dd   8.246035e+01 30.23337379 -23.72154753 -47.38041382 -84.13134965 -95.56086167 -58.06399289 -21.61298500 -12.11352064 -15.77302514 -26.3842782 
neg   -1.381479e+02 25.15047622 31.05613176 60.76519163 56.06664314 -36.13696534 -27.42185598 -24.58473166 -38.36806501 -25.03186619 17.3447807 
      Year_2006 Year_2007 Year_2008 Year_2009  Year_2010 Year_2011 
(Intercept) -17.46962445 -12.99847554 -32.75957413 -20.99868791 -16.816973260 4.20348639 
inc   0.92593004 0.77045742 0.78774688 0.85185356 0.784377210 0.63716695 
ta   0.01374169 0.02841329 0.02729613 0.01045620 0.005867683 -0.00203465 
div   -0.29770950 -0.20114307 -0.18070822 0.04780002 0.310500463 0.69699053 
acc   -0.23553147 -0.18337198 -0.11535837 -0.12223995 -0.083179505 -0.08493535 
dd   12.00464005 -15.31475612 18.57613650 8.13129910 8.855194809 0.86265216 
neg   13.84589134 -6.42677325 24.44777629 39.13989889 31.941025536 5.76845025

저는 코드로이를 수행하는 방법에 대해 매우 분실했습니다.

시간 변수를 요소 (수준)로 설정하고 어떻게 든 올바른 모델 (연도)에 연결하려고 시도했지만 작동하지 않았습니다. 여기에 내가 지금까지 무엇을 내놓았 는가 :

as.factor(SS$time) 
for (f in levels(SS$time)) { 
SS$Forecast<-NA 
    SS[which(set$time == f),]$Forecast <- c(SS[which(SS$time == f),]$SS[,cbind("inc","ta","div","acc","dd","neg"] %*% COEF$Year_(f)[-1,])

정확하게 모델의 정확한 연도로 열을 지정하는 법을 모르겠습니다.

추가로 지정하려면 여기 내가 사용 모델은 다음과 같습니다

## Store each subset regression in myregression(list) 
myregression <- list() 
count <- 1 
## pooled regression in each year t, over the previous 6 years: 
for(t in 1995:2011){ 

    myregression[[count]] <- lm(inc.plus1 ~ inc+ta+div+acc+dd+neg, 
          subset(mydata, time<=t & time>=t-5)) 
## Name each regression based on the year: 
names(myregression)[[count]] = paste0("Year_",t) 
count <- count+1 
}

편집 :

dput(COEF) 
structure(list(Year_1995 = structure(c(-141.609371159809, 0.00111743731163439, 
0.0949184274697431, -2.11074600795104, -0.292589586724503, 82.4603460821799, 
-138.147911474103), .Names = c("(Intercept)", "inc", "ta", "div", 
"acc", "dd", "neg")), Year_1996 = structure(c(-82.2972315187381, 
-0.0212299058617464, 0.0772803184315252, -0.416827603793079, 
-0.0883118611861919, 30.2333737922913, 25.1504762235072), .Names = c("(Intercept)", 
"inc", "ta", "div", "acc", "dd", "neg")), Year_1997 = structure(c(-34.4871123463234, 
-0.0294760332129564, 0.0873679009872829, -0.282049864938565, 
0.0648382318254867, -23.7215475326697, 31.0561317591284), .Names = c("(Intercept)", 
"inc", "ta", "div", "acc", "dd", "neg")), Year_1998 = structure(c(-6.7528526732182, 
-0.0582891693780869, 0.0794164909970893, 0.636462774078724, 0.153849232685583, 
-47.3804138199355, 60.7651916263095), .Names = c("(Intercept)", 
"inc", "ta", "div", "acc", "dd", "neg")), Year_1999 = structure(c(39.7818666097103, 
-0.169538215393184, 0.0527893752400966, 2.40335453967921, 0.156934591577236, 
-84.1313496511335, 56.0666431355059), .Names = c("(Intercept)", 
"inc", "ta", "div", "acc", "dd", "neg")), Year_2000 = structure(c(51.8959751012077, 
-0.175727806845858, 0.0488400845863005, 2.4795771094385, 0.0882899033509166, 
-95.5608616726431, -36.1369653445477), .Names = c("(Intercept)", 
"inc", "ta", "div", "acc", "dd", "neg")), Year_2001 = structure(c(23.1791877732751, 
0.0441968784823003, 0.0442813644637717, 1.75339550336409, -0.0402863054679132, 
-58.063992891827, -27.4218559824398), .Names = c("(Intercept)", 
"inc", "ta", "div", "acc", "dd", "neg")), Year_2002 = structure(c(6.86072514828435, 
0.354929778347401, 0.0285872368436264, 1.15411677489571, -0.046480887062018, 
-21.6129850032949, -24.5847316572374), .Names = c("(Intercept)", 
"inc", "ta", "div", "acc", "dd", "neg")), Year_2003 = structure(c(5.23465497240386, 
0.165293389856035, 0.0281350748183987, 1.85791345171875, 0.0315728168554789, 
-12.1135206433413, -38.3680650149334), .Names = c("(Intercept)", 
"inc", "ta", "div", "acc", "dd", "neg")), Year_2004 = structure(c(-5.08239969344246, 
0.38122280421443, 0.0158888214408302, 1.43288589529407, -0.232577057535449, 
-15.7730251398318, -25.031866190808), .Names = c("(Intercept)", 
"inc", "ta", "div", "acc", "dd", "neg")), Year_2005 = structure(c(-7.62209838055104, 
0.780520600545447, 0.0168883991578571, 0.225921710905689, -0.282310746447424, 
-26.3842781765152, 17.3447807493898), .Names = c("(Intercept)", 
"inc", "ta", "div", "acc", "dd", "neg")), Year_2006 = structure(c(-17.4696244494262, 
0.925930038022017, 0.0137416876286758, -0.297709497723217, -0.235531473622334, 
12.0046400465099, 13.8458913438642), .Names = c("(Intercept)", 
"inc", "ta", "div", "acc", "dd", "neg")), Year_2007 = structure(c(-12.9984755404426, 
0.770457416822948, 0.0284132933700557, -0.201143068996775, -0.183371982389497, 
-15.3147561235654, -6.42677324935822), .Names = c("(Intercept)", 
"inc", "ta", "div", "acc", "dd", "neg")), Year_2008 = structure(c(-32.7595741256977, 
0.787746882558884, 0.0272961331794223, -0.180708217282236, -0.115358369479928, 
18.5761365038557, 24.4477762931961), .Names = c("(Intercept)", 
"inc", "ta", "div", "acc", "dd", "neg")), Year_2009 = structure(c(-20.9986879109346, 
0.851853556341307, 0.0104562009202871, 0.0478000168970218, -0.122239947105099, 
8.13129909792091, 39.1398988903904), .Names = c("(Intercept)", 
"inc", "ta", "div", "acc", "dd", "neg")), Year_2010 = structure(c(-16.8169732598254, 
0.784377210327309, 0.00586768328571868, 0.310500462697048, -0.0831795048437002, 
8.85519480867171, 31.941025535722), .Names = c("(Intercept)", 
"inc", "ta", "div", "acc", "dd", "neg")), Year_2011 = structure(c(4.20348638599851, 
0.637166947185806, -0.00203465043623203, 0.696990528517877, -0.0849353510171298, 
0.862652164443496, 5.76845024650845), .Names = c("(Intercept)", 
"inc", "ta", "div", "acc", "dd", "neg"))), .Names = c("Year_1995", 
"Year_1996", "Year_1997", "Year_1998", "Year_1999", "Year_2000", 
"Year_2001", "Year_2002", "Year_2003", "Year_2004", "Year_2005", 
"Year_2006", "Year_2007", "Year_2008", "Year_2009", "Year_2010", 
"Year_2011"))

출처

2014-07-19 Gritti

계수를 저장하는 대신 실제로 모델 개체를 저장하면 더 쉬울 것입니다. 그렇다면 표준'predict()'함수를 사용할 수 있습니다. 네가하지 않은 이유가 있니? – MrFlick

회귀를 저장했는데 예측 함수를 알지 못했습니다. 나는 그것을 지금 빨리 읽을 것이다. 예측 기능 또한 내가 새로운 데이터를 사용할 수 있도록 조언을 – Gritti

주셔서 감사합니다, 나는 또한 그 기능을 사용할 수있을 것 같아요. 그래서 나는 다음을 수행했다 : 예측 <-lapply (myregression, function (x) predict (x, SS)) 그리고 다른리스트를 얻는다. 나는 년에 관계없이 모든 관찰에 대한 예측을 얻을 것이고 각각의 "모델 - 연도"가 아닌 모든 연도를 삭제해야 할 것입니다.어떤 솔루션이 귀하의 의견에보다 빠르고 효율적입니까? – Gritti

는 매년 다른 계수 추정치를 원한다면, 맞는 이유가 없다 매년 개별 모델을 사용하면 모든 계수에 대해 연간 상호 작용 항을 추가 할 수 있습니다. 예를 들어, 다음

m1 <- lm(y~(inc+tc)*year, dd)

, 감소 된 샘플 데이터 세트 이제

set.seed(15) 
dd<-data.frame(
    year=factor(sample(2001:2005, 50, replace=T)), 
    inc = runif(50), 
    tc=runif(50), 
    y=rnorm(50) 
)

우리가 올해 상호 작용 용어로 데이터 세트의 모든 값에 대한 모델을 맞을 수의 또는 우리는 단지에 대한 모델을 맞을 수 우리가 2005 년의 값을 예측하기 위해 갈 때 2005 년

m2 <- lm(y~inc+tc, subset(dd, year==2005))

는, 우리는 볼이 모두

012,379,175,627,133,375,433 63,210 같은 예측

  3   6   7   10   15 
1.0488444 0.2317228 1.4672413 0.8638882 0.5296259 
     16   18   21   29   41 
0.4944689 1.2231755 0.7690225 0.6869038 -0.5844771 
     43   49 
0.5610021 0.3552466

하지만 물론 m1 오히려 매년에 대한 m2 타입 모델에 맞게하는 것보다 어떤 년 예측할 수 있다는 장점이있다

을 반환

출처

2014-07-19 20:56:54 MrFlick

TIf 저는 매년 간단한 회귀 분석을하고 있습니다. 귀하의 모델과 광산이 동등한 제품 일 것이라고 믿습니다. 물론 귀하는 훨씬 간단하고 편리합니다. 그러나 저는 t 년도의 다른 기울기를 추산하고 있습니다. t-5에서 t까지의 6 가지 회귀 분석을 토대로 그리고 t 년도가 아니라. 내가 틀렸다면 나를 바로 잡으십시오. – Gritti

답장을 다시 한번 감사드립니다. 나는 단지 당신이 내가 예측 함수에 초점을 맞춘 질문을 다시 정리했다는 것을 알려주기를 원했다. http://stackoverflow.com/questions/24849234/model-prediction-for-pooled-regression-model-in-panel-data I 당신이 이미 답을 썼을 때이 질문을 지우는 것을 망설이지 만. 너는 무엇을 제안 하는가? – Gritti

행렬 및 행렬의 곱셈에 관한 문제가

답변

관련 문제