Как более эффективно вычислять скользящую ковариацию

Я пытаюсь вычислить скользящую ковариацию между набором данных (каждый столбец моей переменной x) и другой (переменной y) в R. Я думал, что могу использовать одну из применяемых функций, но не могу найти способ одновременно катить два набора входов. Вот что я пробовал:

 set.seed(1)
 x<-matrix(rnorm(500),nrow=100,ncol=5)
 y<-rnorm(100)
 rollapply(x,width=5,FUN= function(x) {cov(x,y)})
 z<-cbind(x,y)
 rollapply(z,width=5, FUN=function(x){cov(z,z[,6])})

Но никто не делает то, что я хотел бы. Одним из решений, которое я нашел, является использование цикла for, но задаваясь вопросом, могу ли я быть более эффективным в R, чем:

dResult<-matrix(nrow=96,ncol=5)
for(iLine in 1:96){
    for(iCol in 1:5){
        dResult[iLine,iCol]=cov(x[iLine:(iLine+4),iCol],y[iLine:(iLine+4)])
    }
}

который дает мне ожидаемый результат:

head(dResult)


           [,1]       [,2]        [,3]        [,4]        [,5]
[1,]  0.32056460 0.05281386 -1.13283586 -0.01741274 -0.01464430
[2,] -0.03246014 0.78631603 -0.34309778  0.29919297 -0.22243572
[3,] -0.16239479 0.56372428 -0.27476604  0.39007645  0.05461355
[4,] -0.56764687 0.09847672  0.11204244  0.78044096 -0.01980684
[5,] -0.43081539 0.01904417  0.01282632  0.35550327  0.31062580
[6,] -0.28890607 0.03967327  0.58307743  0.15055881  0.60704533

Ответ 1

set.seed(1)
x<-as.data.frame(matrix(rnorm(500),nrow=100,ncol=5))
y<-rnorm(100)

library(zoo)

covResult = sapply(x,function(alpha) {

cov_value = rollapply(cbind(alpha,y),width=5,FUN = function(beta) cov(beta[,1],beta[,2]),by.column=FALSE,align="right") 

return(cov_value)

})

head(covResult)
#              V1         V2          V3          V4          V5
#[1,]  0.32056460 0.05281386 -1.13283586 -0.01741274 -0.01464430
#[2,] -0.03246014 0.78631603 -0.34309778  0.29919297 -0.22243572
#[3,] -0.16239479 0.56372428 -0.27476604  0.39007645  0.05461355
#[4,] -0.56764687 0.09847672  0.11204244  0.78044096 -0.01980684
#[5,] -0.43081539 0.01904417  0.01282632  0.35550327  0.31062580
#[6,] -0.28890607 0.03967327  0.58307743  0.15055881  0.60704533

Также проверьте:

library(PerformanceAnalytics)
?chart.rollingCorrelation

Ответ 2

Это решение с rollapply() и sapply():

sapply(1:5, function(j) rollapply(1:100, 5, function(i) cov(x[i, j], y[i])))

Я думаю, что это более читаемо и больше R-ish, чем решение с for-loops, но я проверил с помощью microbenchmark и, похоже, медленнее.

Ответ 3

Сейчас я запускаю длинные симуляции, поэтому не могу использовать R, но считайте, что это должно сработать. Внешнее применение по столбцам займет столбец, передаст его в rollapply, где он будет использоваться для ковариации качения окна с y. Надеюсь: D

apply(x,2,function(x) rollapply(x,width=5,function(z) cov(x,y)))

Ответ 4

Если вам нужно что-то быстрее, и вам не нужны никакие аргументы, отличные от значения по умолчанию, для cov, вы можете использовать TTR::runCov. Обратите внимание, что по умолчанию он занимает ведущий NA.

Разница в скорости будет иметь большее значение для больших данных. Вот пример того, как его использовать:

cov_joshua <- function() {
  apply(x, 2, function(x, y) TTR::runCov(x, y, 5), y = y)
}

И вот сравнение с принятым в настоящее время ответом с использованием небольшого набора данных, предоставленного OP:

cov_osssan <- function() {
  f <- function(b) cov(b[,1], b[,2])
  apply(x, 2, function(a) {
    rollapplyr(cbind(a,y), width=5, FUN = f, by.column=FALSE)
  })
}
require(zoo)  # for cov_osssan
require(microbenchmark)
set.seed(1)
nr <- 100
nc <- 5
x <- matrix(rnorm(nc*nr),nrow=nr,ncol=nc)
y <- rnorm(nr)
microbenchmark(cov_osssan(), cov_joshua())
# Unit: milliseconds
#          expr       min        lq    median       uq      max neval
#  cov_osssan() 22.881253 24.569906 25.625623 27.44348 32.81344   100
#  cov_joshua()  5.841422  6.170189  6.706466  7.47609 31.24717   100
all.equal(cov_osssan(), cov_joshua()[-(1:4),])  # rm leading NA
# [1] TRUE

Теперь, используя больший набор данных:

system.time(cov_joshua())
#    user  system elapsed 
#   2.117   0.032   2.158 
system.time(cov_osssan())
# ^C
# Timing stopped at: 144.957 0.36 145.491

Я устал ждать (через ~ 2,5 минуты) для cov_osssan для завершения.