Итеративно вычислить коэффициент дрейфа от случайного блуждания с функцией дрейфа в R, скомпилировать в список

Question

Моя цель - перечислить коэффициент дрейфа из случайного блуждания с функцией прогноза дрейфа, применяемый к набору исторических данных (см. Ниже). В частности, я пытаюсь собрать коэффициент дрейфа, начиная с случайного блуждания с дрейфовой моделью первого года, а затем совокупно до последнего, записывая коэффициент каждый раз, то есть итеративно или каждый дополнительный год (записывая это в список? Если это подходящее). Чтобы быть ясно, каждый новый прогноз случайного блуждания включает все предыдущие годы.

Данные список 241 уровней потребления, и я пытаюсь понять, каким образом дрейф Коэффициент будет меняться в течение итеративно прогрессируя от п = 1 п = 241

Где, например, блуждания с дрейфовой моделью Y [t] = c + Y [t-1] + Z [t], где Z [t] - нормальная ошибка, а c - коэффициент, который я ищу. Мои нынешние попытки в этом вовлекают для функции цикла и извлечения коэффициента С от функции RWF() из пакета «Прогноз» в R.

Чтобы извлечь это, я делаю в таком

rwf(x, h = 1, drift = TRUE)$model[[1]]

, который извлекает коэффициент дрейфа. Проблема в том, что мои попытки подмножества данных в вызове rwf потерпели неудачу, и я также не думаю, что посредством проб и ошибок и исследований, что rwf() поддерживает аргумент подмножества, например, модель lm. В этом смысле мои попытки зацикливания функции также потерпели неудачу.

Примером такого кода является

for (i in 1:5){print((rwf(x[1:i], h = 1, drift = TRUE))$model[[1]])} 

, который дает мне следующую ошибку

Error in lm.fit(x, y, offset = offset, singular.ok = singular.ok, ...) : 
    0 (non-NA) cases 
In addition: Warning message: 
In is.na(rows) : is.na() applied to non-(list or vector) of type 'NULL' 

Любая помощь будет высоко ценится. Я много читаю о помощи, но это мой первый вопрос.

Данные следующим

 PCE 
1 1306.7 
2 1309.6 
3 1335.3 
4 1341.8 
5 1389.2 
6 1405.7 
7 1414.2 
8 1411.0 
9 1401.6 
10 1406.7 
11 1425.0 
12 1444.4 
13 1474.7 
14 1507.8 
15 1536.6 
16 1555.6 
17 1575.2 
18 1577.8 
19 1583.0 
20 1586.6 
21 1608.4 
22 1619.5 
23 1622.4 
24 1635.3 
25 1636.1 
26 1613.9 
27 1627.1 
28 1653.8 
29 1675.6 
30 1706.7 
31 1732.9 
32 1751.0 
33 1752.9 
34 1769.7 
35 1792.1 
36 1785.0 
37 1787.4 
38 1786.9 
39 1813.4 
40 1822.2 
41 1858.7 
42 1878.5 
43 1901.6 
44 1917.0 
45 1944.2 
46 1957.3 
47 1976.0 
48 2002.9 
49 2019.6 
50 2059.5 
51 2095.8 
52 2134.3 
53 2140.2 
54 2187.8 
55 2212.0 
56 2250.0 
57 2313.2 
58 2347.4 
59 2353.5 
60 2380.4 
61 2390.3 
62 2404.2 
63 2437.0 
64 2449.5 
65 2464.6 
66 2523.4 
67 2562.1 
68 2610.3 
69 2622.3 
70 2651.7 
71 2668.6 
72 2681.5 
73 2702.9 
74 2719.5 
75 2731.9 
76 2755.9 
77 2748.4 
78 2800.9 
79 2826.6 
80 2849.1 
81 2896.5 
82 2935.2 
83 2991.2 
84 3037.4 
85 3108.6 
86 3165.5 
87 3163.9 
88 3175.3 
89 3166.0 
90 3138.3 
91 3149.2 
92 3162.2 
93 3115.8 
94 3142.0 
95 3194.4 
96 3239.9 
97 3274.2 
98 3339.6 
99 3370.3 
100 3405.9 
101 3450.3 
102 3489.7 
103 3509.0 
104 3542.5 
105 3595.9 
106 3616.9 
107 3694.2 
108 3709.7 
109 3739.6 
110 3758.5 
111 3756.3 
112 3793.2 
113 3803.3 
114 3796.7 
115 3710.5 
116 3750.3 
117 3800.3 
118 3821.1 
119 3821.1 
120 3836.6 
121 3807.6 
122 3832.2 
123 3845.9 
124 3875.4 
125 3946.1 
126 3984.8 
127 4063.9 
128 4135.7 
129 4201.3 
130 4237.3 
131 4297.9 
132 4331.1 
133 4388.1 
134 4462.5 
135 4503.2 
136 4588.7 
137 4598.8 
138 4637.2 
139 4686.6 
140 4768.5 
141 4797.2 
142 4789.9 
143 4854.0 
144 4908.2 
145 4920.0 
146 5002.2 
147 5038.5 
148 5078.3 
149 5138.1 
150 5156.9 
151 5180.0 
152 5233.7 
153 5259.3 
154 5300.9 
155 5318.4 
156 5338.6 
157 5297.0 
158 5282.0 
159 5322.2 
160 5342.6 
161 5340.2 
162 5432.0 
163 5464.2 
164 5524.6 
165 5592.0 
166 5614.7 
167 5668.6 
168 5730.1 
169 5781.1 
170 5845.5 
171 5888.8 
172 5936.0 
173 5994.6 
174 6001.6 
175 6050.8 
176 6104.9 
177 6147.8 
178 6204.0 
179 6274.2 
180 6311.8 
181 6363.2 
182 6427.3 
183 6453.3 
184 6563.0 
185 6638.1 
186 6704.1 
187 6819.5 
188 6909.9 
189 7015.9 
190 7085.1 
191 7196.6 
192 7283.1 
193 7385.8 
194 7497.8 
195 7568.3 
196 7642.4 
197 7710.0 
198 7740.8 
199 7770.0 
200 7804.2 
201 7926.4 
202 7953.7 
203 7994.1 
204 8048.3 
205 8076.9 
206 8117.7 
207 8198.1 
208 8308.5 
209 8353.7 
210 8427.6 
211 8465.1 
212 8539.1 
213 8631.3 
214 8700.1 
215 8786.2 
216 8852.9 
217 8874.9 
218 8965.8 
219 9019.8 
220 9073.9 
221 9158.3 
222 9209.2 
223 9244.5 
224 9285.2 
225 9312.6 
226 9289.1 
227 9285.8 
228 9196.0 
229 9076.0 
230 9040.9 
231 8998.5 
232 9050.3 
233 9060.2 
234 9121.2 
235 9186.9 
236 9247.1 
237 9328.4 
238 9376.7 
239 9392.7 
240 9433.5 
241 9482.1 

Answer 1

Вам нужно по крайней мере, две точки, чтобы соответствовать вашей модели. Вот как я бы подойти к решению проблемы после чтения данных в data.frame имени x:

library(forecast) 
drifts <- sapply(2:nrow(x), function(zz) rwf(x[1:zz,], drift = TRUE)$model$drift) 

Я не уверен, если это то, что вы ожидали, или нет, но вот сюжет из значений дрейфа :