Prédictions à 1 pas avec le package dynlm R

J'ai ajusté un modèle avec plusieurs variables indépendantes, dont l'une est le décalage de la variable dépendante, en utilisant le package dynlm.

En supposant que j'ai des prévisions à un pas pour mes variables indépendantes, comment puis-je obtenir des prévisions à un pas pour mes variables dépendantes?

Voici un exemple:

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)

Et voici un exemple d'utilisation du package dyn, qui fonctionne.

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:

Félicitations, vous avez trouvé un bug. La prédiction pour les dynlmnouvelles données est rompue si des variables retardées sont utilisées. Pour voir pourquoi regarder la sortie de

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

Les résultats devraient être les mêmes, mais ils ne le sont pas. Sans newdataargument, la predictfonction récupère essentiellement l' modelélément de la dynlmsortie. Avec newdataargument predictessaie de former une nouvelle matrice de modèle à partir de newdata. Étant donné que cela implique l'analyse de la formule fournie à dynlmet que la formule a une fonction L, qui n'est définie qu'en interne dynlm, la matrice de modèle incorrecte est formée. Si vous essayez de déboguer, vous verrez que la variable dépendante retardée n'est pas retardée dans le cas où l' newdataargument est fourni.

Ce que vous pouvez faire est de retarder la variable dépendante et de l'inclure dans le newdata. Voici le code illustrant cette approche. J'utilise set.seeddonc ce serait facilement reproductible.

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)

Voici le comportement du buggy:

> 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 

Former le 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")

Comparer les prévisions avec l'ajustement du modèle:

> 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 

Comme vous pouvez le voir pour les données historiques, les prévisions coïncident et le dernier élément contient les prévisions à 1 étape.

Suite à la demande de @ md-azimul-haque, j'ai fouillé dans mon code source de 4 ans et j'ai trouvé la fonction suivante nommée de manière appropriée. Vous ne savez pas si c'est ce que recherche @ md-azimul-haque?

# 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 )
}