r - 如何创建一个依赖于先前观察到的事件的平均值的列？

Question

在下面的数据中，我们观察到某个国家随时间推移的虚拟 GDP 增长。我的目标是创建一个包含三类的变量:0=没有危机，1=危机，2=严重危机。这样就可以识别出经济危机是指增长率比前三年增长趋势的平均值低至少一个(危机)或两个(严重)标准差的年份。

有人可以指导一下吗？

growth  year
    5   1990
    4   1991
    0   1992
    -4  1993
    -3  1994
    -1  1995
    2   1996
    4   1997
    7   1998
    10  1999
    8   2000
    -10 2001
    -8  2002
    2   2003
    4   2004
    5   2005
    8   2006
    4   2007
    -10 2008
    -9  2009
    -8  2010
    -3  2011
    0   2012
    -5  2013
    -6  2014
    -2  2015
    4   2016
    5   2017
    5   2018
    8   2019
    2   2020
    -1  2021
    -1  2022

这是数据:

df=structure(list(gdp_growth = c(5, 4, 0, -4, -3, -1, 2, 4, 7, 10, 
    8, -10, -8, 2, 4, 5, 8, 4, -10, -9, -8, -3, 0, -5, -6, -2, 4, 
    5, 5, 8, 2, -1, -1), year = c(1990, 1991, 1992, 1993, 1994, 1995, 
    1996, 1997, 1998, 1999, 2000, 2001, 2002, 2003, 2004, 2005, 2006, 
    2007, 2008, 2009, 2010, 2011, 2012, 2013, 2014, 2015, 2016, 2017, 
    2018, 2019, 2020, 2021, 2022)), row.names = c(NA, -33L), class = "data.frame")
    

Answer 1

根据您的描述，听起来好像您首先需要计算增长的滚动平均值，然后将今年的增长与此进行比较:

library(dplyr)

df %>% 
  mutate(mn = zoo::rollmean(gdp_growth, 3, na.pad = TRUE, align = 'right'),
         crisis = ifelse(gdp_growth < (mn - sd(gdp_growth)),
                         ifelse(gdp_growth < (mn - 2 * sd(gdp_growth)),
                                2, 1), 0)) %>%
  select(-mn)

#>    gdp_growth year crisis
#> 1           5 1990     NA
#> 2           4 1991     NA
#> 3           0 1992      0
#> 4          -4 1993      0
#> 5          -3 1994      0
#> 6          -1 1995      0
#> 7           2 1996      0
#> 8           4 1997      0
#> 9           7 1998      0
#> 10         10 1999      0
#> 11          8 2000      0
#> 12        -10 2001      2
#> 13         -8 2002      0
#> 14          2 2003      0
#> 15          4 2004      0
#> 16          5 2005      0
#> 17          8 2006      0
#> 18          4 2007      0
#> 19        -10 2008      1
#> 20         -9 2009      0
#> 21         -8 2010      0
#> 22         -3 2011      0
#> 23          0 2012      0
#> 24         -5 2013      0
#> 25         -6 2014      0
#> 26         -2 2015      0
#> 27          4 2016      0
#> 28          5 2017      0
#> 29          5 2018      0
#> 30          8 2019      0
#> 31          2 2020      0
#> 32         -1 2021      0
#> 33         -1 2022      0