我有一个数据集,其中包含来自数千个人的数据,其中测量了最近9年每年测量的参数X.使用协变量的时间序列分析
Basicly它们处于数据帧DF
id,year,x,feature
A,2016,376,female
A,2015,391,female
A,2014,376,female
A,2013,373,female
A,2012,347,female
A,2011,330,female
B,2016,398,male
B,2015,391,male
B,2014,410,male
B,2013,393,male
B,2012,408,male
B,2011,288,male
C,2016,2464,male
C,2015,2465,male
C,2014,2500,male
C,2013,2215,male
C,2012,2228,male
C,2011,1839,male
等
我想在这些时间序列估计不同的模型
像预测(X(t))= F(X( t-1),x(t-2),...,x(tn),feature,id(作为随机因子))
我可以看到如何使用ts进行自回归建模,个人模型的影子和我想要基于时间历史和特征进行全局预测(有其固有的问题)。
因为数据是高度自相关的,所以lm并不是一个好主意。任何好主意?
您可以尝试“具有外生输入模型的自回归移动平均模型”(ARMAX)。请参阅或示例'dse'包:https://cran.r-project.org/web/packages/dse/dse.pdf –
尽量查看文档,但我必须承认这对于像我这样的MD来说是深奥的。不知道如何把我的数据框放入dse –