我使用的是一个时间序列，这实际上工作得很好流明，这是超级超级快。
比方说，我的模式是：
> formula <- y ~ x
我这训练在训练集：
> train <- data.frame( x = seq(1,3), y = c(2,1,4) )
> model <- lm( formula, train )
...我可以为新数据的预测：
> test <- data.frame( x = seq(4,6) )
> test$y <- predict( model, newdata = test )
> test
x y
1 4 4.333333
2 5 5.333333
3 6 6.333333
这个工程很好地超强，而且它确实迅速。
我要滞后变量添加到模型。 现在，我可以通过增加我原来的训练集做到这一点：
> train$y_1 <- c(0,train$y[1:nrow(train)-1])
> train
x y y_1
1 1 2 0
2 2 1 2
3 3 4 1
更新下式：
formula <- y ~ x * y_1
...和培训会工作得很好：
> model <- lm( formula, train )
> # no errors here
然而，问题是，有没有使用“预测”的方式，是因为没有在批处理方式测试集填充Y_1的方式。
现在，对于许多其他回归的事情，也有很方便的方式来表达他们的公式中，如poly(x,2)等，而这些工作直接使用未经修改的训练和测试数据。
所以，我不知道是否有公式表达滞后变量的一些方法，使predict可以用吗？ 理想的情况是：
formula <- y ~ x * lag(y,-1)
model <- lm( formula, train )
test$y <- predict( model, newdata = test )
......而无需增加（不知道这是正确的字）的训练和测试数据集，并只能够使用predict直接？
看一看例如dynlm包，让你落后的运营商。 更普遍的计量经济学和时间序列的任务视图将有很多更适合你看。
下面是它的例子开始 - 一个和十二个月的滞后期：
R> data("UKDriverDeaths", package = "datasets")
R> uk <- log10(UKDriverDeaths)
R> dfm <- dynlm(uk ~ L(uk, 1) + L(uk, 12))
R> dfm
Time series regression with "ts" data:
Start = 1970(1), End = 1984(12)
Call:
dynlm(formula = uk ~ L(uk, 1) + L(uk, 12))
Coefficients:
(Intercept) L(uk, 1) L(uk, 12)
0.183 0.431 0.511
R>
继德克对建议dynlm ，我不能完全弄清楚如何预测，但搜索，导致我dyn通过包https://stats.stackexchange.com/questions/6758/1-step-ahead-predictions-with -dynlm-R-包
随后几个小时的实验后，我想出了下面的函数来处理预测。 有相当多的“在路上抓把柄的，例如，你似乎无法rbind时间序列和预测的结果是由偏移start和一大堆这样的事情，所以我觉得这个答案相比，只是显著增加命名包，虽然我已经upvoted德克的回答。
所以，一个可行的解决方案是：
predictDyn方法：
# 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] <- as.numeric(test[,dependentvarname])
testtraindata <- rbind( train, test )
testtraindata[,dependentvarname] <- ts( as.numeric( testtraindata[,dependentvarname] ) )
for( i in 1:Ntest ) {
result <- predict(model,newdata=testtraindata,subset=1:(Ntrain+i-1))
testtraindata[Ntrain+i,dependentvarname] <- result[Ntrain + i + 1 - start(result)][1]
}
return( testtraindata[(Ntrain+1):(Ntrain + Ntest),] )
}
实例：
library("dyn")
# size of training and test data
N <- 6
predictN <- 10
# create training data, which we can get exact fit on, so we can check the results easily
traindata <- c(1,2)
for( i in 3:N ) { traindata[i] <- 0.5 + 1.3 * traindata[i-2] + 1.7 * traindata[i-1] }
train <- data.frame( y = ts( traindata ), foo = 1)
# create testing data, bunch of NAs
test <- data.frame( y = ts( rep(NA,predictN) ), foo = 1)
# fit a model
model <- dyn$lm( y ~ lag(y,-1) + lag(y,-2), train )
# look at the model, it's a perfect fit. Nice!
print(model)
test <- predictDyn( model, train, test, "y" )
print(test)
# nice plot
plot(test$y, type='l')
输出：
> model
Call:
lm(formula = dyn(y ~ lag(y, -1) + lag(y, -2)), data = train)
Coefficients:
(Intercept) lag(y, -1) lag(y, -2)
0.5 1.7 1.3
> test
y foo
7 143.2054 1
8 325.6810 1
9 740.3247 1
10 1682.4373 1
11 3823.0656 1
12 8686.8801 1
13 19738.1816 1
14 44848.3528 1
15 101902.3358 1
16 231537.3296 1
编辑：嗯，这是超级慢，但。 即使我限制了所述数据subset的数据集的恒定几行，这需要每预测大约24毫秒，或者，对于我的任务， 0.024*7*24*8*20*10/60/60 = 1.792 hours ：-O
尝试ARIMA功能。 所述AR参数是自回归，这意味着滞后收率 XREG =允许您添加其他X变量。 你可以用predict.ARIMA预测。
这里有一个想法：
你为什么不创建一个新的数据帧？ 填入你需要的回归系数的数据帧。 你可以像L1，L2，列...，LP为你想要的任何变量的所有滞后，然后，你用你的功能完全一样你会为回归的一个横截面类型。
因为你就不必每次调用拟合和预测功能，时间对数据进行操作，但将有一次改变了数据，这将是相当快。 我知道，Eviews确定和塔塔提供滞后的运营商。 的确，有一些方便吧。 但是，这也是低效的，如果你不需要像“流明”计算的一切功能。 如果你有几十万次迭代的执行，你只要避免使计算所需要的预测或预报和像BIC或者AIC信息标准值，就可以打败“流明”的速度，你不会使用 - 只写函数中的OLS估计，你是好去。
