如何在新 x 值上使用线性回归模型预测 y 值答案

【问题标题】：How to forecast y values using linear regression model on new x values如何在新 x 值上使用线性回归模型预测 y 值
【发布时间】：2019-05-08 15:35:19
【问题描述】：

我有一个多元线性回归模型：

model <- lm(y ~ a + b + c, data = df)

假设 y、a、b 和 c 的历史时期是 2000 年的季度数据-2017.

Date    y    a    b    c
2000Q1  2    1.5  1.3  8.1
2000Q2  2.3  1.8  1.2  7.6
.       .    .    .    .
.       .    .    .    .
.       .    .    .    .
.       .    .    .    .
2017Q4  8.7  3.5  5.6  3.2

现在我有了线性模型，我想使用 a、b 和 的新数据来预测 y c 的时间段为 2017-2020，我们称它们为 a2、b2 和 c2。

Date    a2   b2   c2
2017Q4  3.5  5.6  3.2
2018Q1  4.1  6.3  3.0
.       .    .    .
.       .    .    .
.       .    .    .
2020Q4  5.6  7.8  2.2

如何使用我之前的一组历史/实际数据（a、b 和 c）中的线性模型，以及根据 x 的新值（a2、b2 和 c2）预测 y？

我已经尝试使用 predict() 和 predict.lm() 函数，但是没有任何结果可以提供我正在寻找的结果。我可以手动输入线性模型并创建这些预测，但我确信有一种更有效的方法可以做到这一点。

更新

这是我正在做的一个小例子：

df <- data.frame(y = c(1, 2, 3, 4, 5, 6, 7, 8, 9, 10),
                 a = c(2, 2.3, 2.6, 2.9, 2.4, 2.6, 3.0, 3.2, 3.9, 3.7),
                 b = c(9, 8.7, 9.1, 7.8, 8.2, 8, 6.9, 7.8, 9.1, 5.7))

attach(df)

model <- lm(y ~ a + b)

df2 <- data.frame(a2 = c(3.7, 4.0, 5.2, 5.6, 5.8, 6),
              b2 = c(5.7, 5.5, 5.3, 5.1, 4.9, 4.7))

predict(model, newdata = df2)

我不断收到带有警告消息的常规模型结果：

1         2         3         4         5         6         7         8         
9        10 
 1.409122  2.807886  3.690647  5.826560  3.569001  4.501510  6.882534  
7.004180  8.793667 10.514892 
Warning message:
'newdata' had 6 rows but variables found have 10 rows

【问题讨论】：

predict 应该可以正常工作。能否请您显示您用来尝试predict 的代码？
您究竟是如何尝试使用predict() 的？这应该是这项工作的正确功能。展示您的尝试并告诉我们为什么它看起来不正确。如果您包含一个简单的reproducible example，其中包含可用于测试和验证可能解决方案的示例输入和所需输出，则更容易为您提供帮助。带有“...”的数据不是很有帮助。
如果具有 a2、b2 和 c2 的数据帧是 df2。我正在使用 predict.lm(model, newdata = df2)
@hanz 列名必须相同，否则不清楚哪些系数与哪些列匹配。

标签： r linear-regression forecasting stress-testing

【解决方案1】：

已更新以匹配添加的示例

新数据中的名称必须与旧数据/线性模型中的名称匹配。

使用更新后的示例，在运行 predict 之前使 df2 中的名称与 df 中的名称匹配。

names(df2) = c("a","b")
predict(model, newdata = df2)

【讨论】：