Bien sûr, ajoutez simplement un argument weights =
à lm ()
(dans le cas de R):
R> x <- 1:10 ## la moyenne de ceci est 5.5R> lm (x ~ 1) ## régression sur des calculs constants meanCall: lm (formula = x ~ 1) Coefficients: (Intercept) 5.5 R> lm (x ~ 1, poids = 0,9 ^ (seq (10,1, par = -1))) Appel: lm (formule = x ~ 1, poids = 0,9 ^ (seq (10, 1, par = -1))) Coefficients : (Interception) 6.35 R>
Voici donner plus de poids aux valeurs «plus récentes» ( ie , plus élevées) et la moyenne passe de 5,5 à 6,35. La clé, le cas échéant, est le poids exponentiel $ \ lambda ^ \ tau $ que je calcule à la volée; vous pouvez changer le facteur de pondération en n'importe quelle valeur de votre choix et en fonction de la façon dont vous commandez vos données, vous pouvez également faire exécuter l'exposant dans l'autre sens.
Vous pouvez faire de même avec des modèles de régression impliquant les régresseurs que vous avez .