为回归中的最新观察结果分配更多权重

如何为R中的最新观测值分配更多权重？

我认为这是一个常见的问题或愿望，但是我很难弄清楚该如何实现。我试图对此进行大量搜索，但是我找不到一个很好的实际例子。

在我的示例中，随着时间的推移，我将拥有一个大型数据集。我想说的是对最近的数据行进行某种指数加权。因此，我将具有某种指数函数，即2015年的观测值对训练模型比_2012年的观测值更重要。

我的数据集变量包含分类值和数字值的混合，而我的目标是一个数值-如果重要的话。

我想使用GBM / Random Forest等模型进行测试/尝试，最好在CARET软件包中进行测试。

更新问题

我很欣赏下面给出的关于如何按两点之间的日期距离以指数方式衰减权重的响应。

但是，当涉及到在插入符号中训练此模型时，权重因素又如何精确计算呢？每个训练行中的权重值是将来某个点与该点历史发生之间的距离。

权重是否仅在预测期间起作用？因为如果它们在训练过程中发挥作用，那会不会引起各种问题，因为各种交叉折叠的权重都不同，试图预测可能早于它的某个时间点？

如何为R中的最新观测值分配更多权重？

我想您的每次观察都有一个时间戳。您可以计算一个变量timeElapsed = modelingTime - observationTime。现在，您将简单的指数函数应用为W=K*exp(-timeElapsed/T)，其中K是缩放常数，并且T是衰减函数的时间常数。W充当案例重量。

据我所知，许多函数都caret允许weight作为参数，这是一列案例权重，提供给相应的观察值（因此长度与#rows相同）。

数据（不是分析师做出的假设-猜测）通常可以建议加权方案的形式。这是通过GLS完成的，其中从误差方差中发现的统计显着性差异中获得了加权最小二乘模型的适当权重。看一下通过ARIMA（Tsay过程）进行的变更和离群值检测，并在此处http://docplayer.net/12080848-Outliers-level-shifts-and-variance-changes-in-time-series.html中。如果您希望发布数据，请在此处进行，因为我可以例行使用可能启发您的软件，所以我将尽力提供进一步的帮助。

我正在使用该软件的R版本。

您可能会看看如何在ARIMA的干预分析中包括控制变量？因为它有一个示例，说明了如何确定权重并使用其来稳定误差方差，从而有效地相信/不相信/打折/加权/信任某些先验值。