r - 使用具有大量固定效应的回归快速预测

我想使用 R 来估计具有大量固定效应的回归。

然后我如何使用该回归来预测测试数据集。

但是，这需要非常快地完成，因为我想引导我的标准错误并多次执行此操作。

我知道 lfe 中的 R 包可以做到这一点。例如

reg=felm(Y~1|F1 + F2,data=dat)

其中 dat 是数据，F1,F2 是分类变量的列(要包括的固定效应)。

然而， predict(reg,dat2) 不适用于 lfe 包……正如 here 所讨论的那样。

不幸的是 lm 太慢了，因为我有大量的固定效果。

最佳答案

加快速度的方法是提取系数并手动执行矩阵运算。例如。:

xtrain <- data.frame(x1=jitter(1:1000), x2=runif(1000), x3=rnorm(1000))
xtest <- data.frame(x1=jitter(1:1000), x2=runif(1000), x3=rnorm(1000))
y <- -(1:1000)
fit <- lm(y ~ x1 + x2 + x3, data=xtrain)

beta <- matrix(coefficients(fit), nrow=1)
xtest_mat <- t(data.matrix(cbind(intercept=1, xtest)))
predictions <- as.vector(beta %*% xtest_mat)

library(microbenchmark)
microbenchmark(as.vector(beta %*% xtest_mat),
               predict(fit, newdata = xtest))

Unit: microseconds
                          expr     min       lq      mean  median      uq      max neval cld
 as.vector(beta %*% xtest_mat)   8.140  10.0690  13.12173  12.372  15.852   26.292   100  a
 predict(fit, newdata = xtest) 635.413 657.2515 745.94840 673.009 763.166 2363.065   100   b

所以你可以看到直接矩阵乘法比预测函数快约 50 倍。

关于r - 使用具有大量固定效应的回归快速预测，我们在Stack Overflow上找到一个类似的问题：https://stackoverflow.com/questions/48412514/