R 单期预测的滚动回归

我试图创建一系列的单周期预测。我在一组滚动原点上训练我的模型，即宏[1:13]预测宏[14:14]宏[1:12]预测宏[13:13]，一直到宏[1:8]为止

下面的代码让我找到了我的解决方案，但我想知道是否有一个更优雅的解决方案和其他考虑事项。谢谢

Macro <- read.csv("C:/Macro.csv")
View(Macro)

Y <-Macro[1:13,2]
X <-Macro[1:13,3]
S1 <-Macro[1:13,4]
S2 <-Macro[1:13,5]
S3 <-Macro[1:13,6]

fit <- lm(Y ~ X + S1 + S2 + S3)

predict(fit, Macro[14:14,3:6])



Y <-Macro[1:12,2]
X <-Macro[1:12,3]
S1 <-Macro[1:12,4]
S2 <-Macro[1:12,5]
S3 <-Macro[1:12,6]

fit <- lm(Y ~ X + S1 + S2 + S3)

predict(fit, Macro[13:13,3:6])



Y <-Macro[1:11,2]
X <-Macro[1:11,3]
S1 <-Macro[1:11,4]
S2 <-Macro[1:11,5]
S3 <-Macro[1:11,6]

fit <- lm(Y ~ X + S1 + S2 + S3)

predict(fit, Macro[12:12,3:6])




Y <-Macro[1:10,2]
X <-Macro[1:10,3]
S1 <-Macro[1:10,4]
S2 <-Macro[1:10,5]
S3 <-Macro[1:10,6]

fit <- lm(Y ~ X + S1 + S2 + S3)

predict(fit, Macro[11:11,3:6])




Y <-Macro[1:9,2]
X <-Macro[1:9,3]
S1 <-Macro[1:9,4]
S2 <-Macro[1:9,5]
S3 <-Macro[1:9,6]

fit <- lm(Y ~ X + S1 + S2 + S3)

predict(fit, Macro[10:10,3:6])



Y <-Macro[1:8,2]
X <-Macro[1:8,3]
S1 <-Macro[1:8,4]
S2 <-Macro[1:8,5]
S3 <-Macro[1:8,6]

fit <- lm(Y ~ X + S1 + S2 + S3)

predict(fit, Macro[9:9,3:6])

宏是一种更紧凑的方式（编辑以修复语法错误）。
myfun您可以使用库
caret
，该库能够使用滚动窗口（使用选项
timeslice
）训练多个时间序列模型。据我所知，您希望有一个在每次+1时扩展的训练窗口，并仅预测下一次观察（请参阅控制参数，有关其他选项的说明，请参阅）。因此，您只需将此处替换为data.Frame的名称和公式中的变量：

library(caret)
library(ggplot2)
mycontrol <- trainControl(method = "timeslice",
                              initialWindow = 8,
                              horizon = 1,
                              fixedWindow = FALSE, 
                          savePredictions = TRUE)
myfit <- train(unemploy ~ pce + pop + psavert,
                    data = head(economics, 15),
                    method = "lm",
                    trControl = mycontrol)
print(myfit$pred)
####       pred  obs rowIndex parameter  Resample
#### 1 2783.092 2877        9      none Training1
#### 2 2943.586 2709       10      none Training2
#### 3 2771.019 2740       11      none Training3
#### 4 2722.083 2938       12      none Training4
#### 5 2820.074 2883       13      none Training5
#### ...

库（插入符号）
图书馆（GG2）
mycontrol这是时间序列数据。你建议用什么来代替？谢谢。请参阅上面@agenis的答案，并在这里查看可供选择的型号。谢谢-我使用了下面的代码，并在上面编辑了一个“错误的维数错误”宏。至于哪种模式可能更合适：这实际上取决于正确性的重要性。时间序列是一个大课题；太大了，我无法在这个空间发表评论，尤其是没有数据。嗨@ZJAY，我能问你为什么要做这样一个预测过程吗？因为我处理的数据量非常小，预测一个时期的未来是我验证模型的方法。你能预见到什么问题吗？谢谢。好的，我只是想知道它是否真的用于交叉验证。在这种情况下，
caret
是正确的工具。同意：@agenis应该在这里打绿色勾。
library(caret)
library(ggplot2)
mycontrol <- trainControl(method = "timeslice",
                              initialWindow = 8,
                              horizon = 1,
                              fixedWindow = FALSE, 
                          savePredictions = TRUE)
myfit <- train(unemploy ~ pce + pop + psavert,
                    data = head(economics, 15),
                    method = "lm",
                    trControl = mycontrol)
print(myfit$pred)
####       pred  obs rowIndex parameter  Resample
#### 1 2783.092 2877        9      none Training1
#### 2 2943.586 2709       10      none Training2
#### 3 2771.019 2740       11      none Training3
#### 4 2722.083 2938       12      none Training4
#### 5 2820.074 2883       13      none Training5
#### ...