我编写了一个函数,它进行了arima建模,输出系数和p值表,对p值进行排序并返回没有重要变量的arima模型。
该函数采用两个输入,时间序列对象和数据帧。
这是代码:
backward_stepwise<-function(x, y){
repeat{
arima_result<-auto_arima(x)
arima_pvals<-p_calc(arima_result)
arima_outputs<-run_outputs(arima_result, arima_pvals)
arima_ranked<-rank_pval(arima_outputs)
# temporary fix to .xreg being added to term names
for(i in 1:length(arima_ranked$term)){
arima_ranked$term<-gsub(arima_ranked$term, pattern = 'xreg.',
replacement = "")
}
remove_num_one<-remove_one(arima_ranked)
# removed the cond_select function so that y and x write over
themselves
y<-subset(y, select = colnames(y) != remove_num_one)
x<-as.ts(y)
if(min(arima_ranked$rank, na.rm = TRUE) != 1){
break
}
}
return(arima_result)
}
我将把它应用于时间序列对象列表和数据帧列表
时间序列列表的示例
CAN_V98
ADE_U91
ADE_V95
数据帧的示例
CAN_V98
ADE_U91
ADE_V95
当我应用它查看mapply或for循环时,是从同一索引获取值的方法。即,后向逐步功能从CAN_V98中剥离变量并从数据帧列表继续使用CAN_V98,或者在执行其第一个循环后,它将使用数据帧列表中的第二个数据帧。
# Application via for loop
for(i in mkt_grd){
x<-list_ts_actual[[i]]
y<-list_df_actual[[i]]
ts_outputs[[i]]<-backward_stepwise(x, y)
}
# Application via mapply
ts_outputs1<-mcmapply(backward_stepwise, list_ts_actual,
list_df_actual,SIMPLIFY = FALSE)
谢谢你的帮助
mapply
不像嵌入式for循环那样工作。对于每个j
,它不会贯穿每个i
可以这么说。
mapply(function(x, y){cat("x = ", x, " y = ", y, "\n")},
x = 1:5, y = 1:5)
x = 1 y = 1
x = 2 y = 2
x = 3 y = 3
x = 4 y = 4
x = 5 y = 5
正如你可以看到它是否并行迭代,如果列表y的长度更短,它将回收,即,
mapply(function(x, y){cat("x = ", x, " y = ", y, "\n")},
x = 1:5, y = 1:3)
x = 1 y = 1
x = 2 y = 2
x = 3 y = 3
x = 4 y = 1
x = 5 y = 2