R прогнозируемая многомерная регрессия

Question

Линейное многомерное уравнение Yt = A Yt-1 + B Xt + C * Zt + Constant, Xt следует нормальному распределению со средним по времени и дисперсией, Xt ~ N (среднее (t), Std (т)). Как создать цикл или есть ли другой способ прогнозировать Yt в течение следующих 12 периодов в этом случае? Благодарю.

Answer 1

Не эффектный вопрос, вы уезжаете из много информации, но это должно помочь:

# define time dependent mean & std for X 
xmean <- function(t) 0.5*t 
xstd <- function(t) t^(1/3) 
xgen <- function(t) rnorm(1, xmean(t), xstd(t)) 

# define constants (unspecified) 
A <- runif(1, min = -1, max = 1) 
B <- runif(1, min = -1, max = 1) 
C <- runif(1, min = -1, max = 1) 

# define Z as Gaussian white noise (unspecified) 
zgen <- function(t) rnorm(1) 

# set up structure and initialize 
y <- numeric(1000) 
y[1] <- 0 

# define multivariate equation 
ygen <- function(t) A*y[t - 1] + B*xgen(t) + C*zgen(t) 

# "forecast" 
forecasting <- sapply(2:1000, ygen)