Me gustaría usar el doble de suavizado exponencial para predecir las tasas de prevalencia de atención de la dependencia en Austria estados federales.
Mis datos es muy detallado, lo que me gustaría hacer uso de lo que en el fin de perfeccionar mis predicciones. Tengo el porcentaje de personas en el cuidado de la dependencia de los niveles 1-7 de edad de 50 a 99 de 9 de Austria estados federales.
str(daten[1:12][daten$jahr>1996,])
'data.frame': 39600 obs. of 12 variables:
$ age : num 50 51 52 53 54 55 56 57 58 59 ...
$ gender : Factor w/ 2 levels "male","female": 1 1 1 1 1 1 1 1 1 1 ...
$ bundesland: Factor w/ 9 levels "Bgld","Ktn","Noe",..: 1 1 1 1 1 1 1 1 1 1 ...
$ jahr : num 1997 1997 1997 1997 1997 ...
$ PfSt0 : num 0.992 0.989 0.985 0.985 0.985 ...
$ PfSt1 : num 0.001458 0.000967 0.001459 0 0.002199 ...
$ PfSt2 : num 0.00437 0.00193 0.00802 0.00793 0.00587 ...
$ PfSt3 : num 0.00146 0.0058 0.00073 0.00433 0.0044 ...
$ PfSt4 : num 0.000729 0 0.002188 0.002163 0.000733 ...
$ PfSt5 : num 0 0.000967 0.002188 0.000721 0.002199 ...
$ PfSt6 : num 0 0.000967 0 0 0 ...
$ PfSt7 : num 0 0 0.00073 0 0 ...
DES es un análisis de series de tiempo método. Análisis de series de tiempo, explica una serie de datos de su pasado sólo valores. Si bien es cierto que yo uso sólo a los últimos datos de la atención de la dependencia, se podría considerar la edad, el género y el estado federal como variables explicativas. En lugar de computación individual doble suavizado exponencial de las previsiones para cada edad, sexo, estado federal combinación, yo podría asumir la homogeneidad estructural dentro de estas series de tiempo. Por lo tanto, mis datos podría ser considerado un negocio multinivel conjunto de datos de panel, con 50 observaciones por año (grupos de edad) anidado en 9 estados federales cada uno. (Tengo pensado hacer regresiones separadas para hombres y para mujeres).
Me gustaría usar el estado federal, la edad y la edad al cuadrado como variables explicativas, además de valor anterior y la tendencia anterior, como se ha hecho en doble suavizado exponencial.
Sin embargo, en el panel de análisis de datos, las tendencias en el tiempo son normalmente cubiertos por ellas, el año de variable en la regresión, y rara vez mediante la inclusión de los gal. ¿Cómo puedo realizar un forcasting método similar al doble de suavizado exponencial en un conjunto de datos de panel, es decir, incluyendo también otras variables explicativas? (Preferiblemente en R)
(Las cosas se complican aún más por el hecho de que tengo 7 en lugar de 1 variables dependientes.)
