使用不同的列（自变量）执行多重滚动回归

Question

如何在单独的回归中将 y1 作为依赖变量，将 y2、y3 等作为自变量进行多重滚动回归：

请看下面的例子：

library(xts)

df=data.frame(y1=rnorm(300),y2=rnorm(300),y3=rnorm(300),y4=rnorm(300),y5=rnorm(300),y6=rnorm(300))
data <- xts(df, Sys.Date()-300:1)

下面我做了 y1 与 y2 的滚动相关性

rollingb <- rollapply(zoo(data),
                          width=20,
                          FUN = function(Z)
                          {
                            t = lm(formula=y1~ y2, data = as.data.frame(Z), na.rm=T);
                            return(t$coef)
                          },
                          by.column=FALSE, align="right")

结果看起来不错

plot(rollingb)

但是现在我想测试 y1 ~ y3、y1 ~ y4 等（我有一个总共 120 列的数据集）

以下帖子已接近，但我无法重现编码：

https://stackoverflow.com/questions/39438484/r-how-to-do-rolling-regressions-for-multiple-return-data-at-once-with-the-depe

我该如何调整rollingb来完成工作？

@Yannis Vassiliadis 提供的解决方案有效，但是后续问题提出了如何将所有系数（β）很好地取消列出到矩阵中 /data.frame 有对应的日期（如 xts 中）？

Answer 1

这个怎么样？

roll_lm <- lapply(2:ncol(data), function(x) rollapply(zoo(data[, c(1, x)]),
                          width=20,
                          FUN = function(Z)
                          { Z = as.data.frame(Z);
                            t = lm(formula=Z[, 1]~Z[, 2]);
                            return(t$coef)
                          },
                          by.column=FALSE, align="right"))

输出是一个包含ncol(data) - 1 元素的列表，其中ith 元素是y1 在yi 上滚动回归的结果。

另外，您可以添加：

names(roll_lm) <- paste0("y1~y",2:6) 
roll_lm2 <- plyr::rbind.fill.matrix(roll_lm) 
roll_lm3 <- cbind(roll_lm2, rep(names(roll_lm), each = 281)) # just to keep track of the names

Answer 2

您可以使用purrr 中的map 按照y1 ~ y2 和y1 ~ y3 的行构建公式列表。然后在lm 中使用这些公式。

# these are the packages we are using
library(purrr)
library(useful)
library(coefplot)

# here's your data
df=data.frame(y1=rnorm(300),y2=rnorm(300),y3=rnorm(300),y4=rnorm(300),y5=rnorm(300),y6=rnorm(300))

# keep track of the response variable
response <- 'y1'
# we'll assume all the other variables are predictors
predictors <- setdiff(names(df), response)

# fit a bunch of models
models <- predictors %>% 
    # for each predictor build a formula like y1 ~ y2
    map(~build.formula(response, .x)) %>% 
    # for each of those fit a model
    map(lm, data=df)

# plot them for good measure
multiplot(models)