R 使用具有大量固定效应的回归快速预测

我想用

R

来估计具有大量固定效应的回归

然后，我将使用该回归对测试数据集进行预测

然而，这需要很快完成，因为我想引导我的标准错误并多次这样做

我知道

R

中的

lfe

包可以做到这一点。比如说

reg=felm(Y~1|F1 + F2,data=dat)

其中dat为数据，

F1、F2

为分类变量列（包括固定效应）

predict（reg，dat2）

，但是，如前所述，它不适用于lfe包

---

不幸的是，

lm

太慢了，因为我有很多固定效果

加速的方法是提取系数并手动执行矩阵运算。例如：

xtrain <- data.frame(x1=jitter(1:1000), x2=runif(1000), x3=rnorm(1000))
xtest <- data.frame(x1=jitter(1:1000), x2=runif(1000), x3=rnorm(1000))
y <- -(1:1000)
fit <- lm(y ~ x1 + x2 + x3, data=xtrain)

beta <- matrix(coefficients(fit), nrow=1)
xtest_mat <- t(data.matrix(cbind(intercept=1, xtest)))
predictions <- as.vector(beta %*% xtest_mat)

library(microbenchmark)
microbenchmark(as.vector(beta %*% xtest_mat),
               predict(fit, newdata = xtest))

Unit: microseconds
                          expr     min       lq      mean  median      uq      max neval cld
 as.vector(beta %*% xtest_mat)   8.140  10.0690  13.12173  12.372  15.852   26.292   100  a 
 predict(fit, newdata = xtest) 635.413 657.2515 745.94840 673.009 763.166 2363.065   100   b

---

xtrain您的问题是什么？如果您正在寻找比
lm
更快的其他软件包或资源，这似乎不符合主题。抱歉，这并不能回答问题。F1和F2是分类变量。用大量的分类变量来拟合lm成本太高，这是一开始的要点。您没有提供一个可重复的示例。你也没有抓住要点：无论你使用felm还是lm，手动执行预测操作都会加快速度。你是对的，我没有提供一个可复制的示例。但是，无论您是否手动操作，您都需要使用固定效果（因子系数）进行预测。我找到了一个涉及getfe（felm_obejct）的解决方案，但是lm的速度太慢了，这就是关键所在。这并不是说预测是缓慢的，而是有大量因素的回归是缓慢的。